Der absolute Anfängerleitfaden für künstliche Intelligenz

1. Einführung in den KI-Kurs: Hallo und vielen Dank, dass Sie für den Kurs angemeldet Der Zweck dieses Einführungsvideos ist es, Sie offiziell willkommen zu heißen, mich vorzustellen und Ihnen einen allgemeinen Überblick darüber zu geben , was Sie von diesem Kurs erwarten Also das Wichtigste zuerst, mein Name ist Alexander. Ich bin ein Dozent für Cybersicherheit oder Online-Cybersicherheit mit mehr als sieben Jahren Erfahrung, und ich bin auch ein großer KI-Enthusiast. Was können Sie also von diesem Kurs erwarten Nun, lassen Sie mich Ihnen nur eine kurze Zusammenfassung des Lehrplans geben. Zunächst werden wir uns damit befassen, was KI eigentlich ist und welche Grundlagen KI Wir werden uns ein wenig mit der Geschichte der KI befassen. Und dann werden wir uns mit den drei Hauptmodulen für diesen Kurs befassen den drei Hauptmodulen für diesen Kurs Beginnen wir mit maschinellem Lernen. Und dann werfen wir einen Blick auf Deep Learning und dann auf den Prozess natürlicher Sprache. Und das sind die drei großen Module oder drei großen Abschnitte in diesem Kurs. Und zum Abschluss des Kurses werfen wir einen Blick auf die Zukunft der KI und darauf, was wir in den nächsten zehn bis 50 Jahren von künstlicher Intelligenz erwarten können von künstlicher Intelligenz erwarten . Also ein paar Dinge, die Sie über diesen speziellen Kurs wissen sollten. Am Ende jedes Abschnitts wird es Quizfragen geben. Also nimm bitte an den Quizfragen teil. Mach dir keine Sorgen Die Fragen sind eigentlich nicht so schwierig. Sie dienen nur dazu, das Gelernte zu testen. Also gerate nicht in Panik. Das sind sehr, sehr einfache Fragen. Und dann Ressourcen. Ich werde Ihnen alle Folien zur Verfügung stellen, die ich in diesem Kurs verwenden werde, sowie das Buch, das im Grunde ein PDF-Buch ist das den gesamten Kurs zusammenfasst Jetzt, zu dem Zeitpunkt, zu dem ich dieses spezielle Video aufgenommen habe, arbeite ich immer noch an diesem Buch Haben Sie also bitte etwas Geduld. Vielleicht hast du dich für den Kurs angemeldet und das Buch ist noch nicht fertig Mach dir keine Sorgen. Ich arbeite daran. Ich lasse es dich wissen sobald das Buch zum Herunterladen bereit ist. Wenn Sie die Folien auch für eine formelle Präsentation verwenden möchten , können Sie dies auch gerne tun. Ich bitte Sie nur, mich , Alexander One, sowie meine Firma labsyba.com zu erwähnen. Danke. Und dann natürlich Fragen, falls Sie Fragen zu allem haben , was ich in diesem Kurs behandelt habe. Vielleicht gibt es etwas, das du nicht ganz verstehst. Sie können sich jederzeit an mich wenden. Ich beantworte gerne all Ihre Fragen. Vor diesem Hintergrund möchte ich Sie noch einmal zu diesem Kurs begrüßen , in dem wir über KI sprechen werden. Grundlagen der KI, die Grundlagen der KI. Und ich kann nur hoffen, dass Ihnen dieser Kurs gefällt, denn ich habe mir große Mühe gegeben , den Unterricht so unterhaltsam, aber auch so lehrreich wie möglich zu gestalten unterhaltsam, aber auch so lehrreich wie möglich Also noch einmal willkommen. Lass uns anfangen. 2. Abschnittsvorschau Einführung in die künstliche Intelligenz: Willkommen offiziell zur allerersten Moduleinführung in künstliche Intelligenz Nun, eine Sache, die Sie auf persönlicher Ebene über mich wissen sollten , ist, dass ich gerne Filme schaue. Ich gehe gerne ins Kino. Es ist eines meiner Lieblingshobbys aller Zeiten. Und eine Sache, die ich als Lehrer gerne mache, ist, Filmclips in meinen Unterricht zu integrieren, wann immer ich kann, weil ich denke, dass sie sehr, sehr informativ, aber gleichzeitig auch sehr unterhaltsam sein können sehr informativ, aber gleichzeitig auch . Nun, von den Hunderten und Hunderten von Filmen aus Hollywood, die künstliche Intelligenz als zentrales Thema haben , habe ich über den perfekten Clip nachgedacht , mit dem ich diesen Kurs vorstellen könnte, und ich glaube, ich habe genau den richtigen Clip gefunden, also lehnen Sie und ich glaube, ich habe genau den richtigen Clip gefunden, sich zurück, entspannen , genießen Sie diesen Clip, und wir sehen uns am Ende. Guten Tag, Hal. Wie läuft alles? Guten Tag, Mr. Amer. Alles läuft sehr gut. Hal, du trägst bei dieser Mission in vielerlei Hinsicht eine enorme Verantwortung , vielleicht die größte Verantwortung aller einzelnen Missionselemente. Sie sind das Gehirn und das zentrale Nervensystem des Schiffes, und zu Ihren Aufgaben gehört über die Männer im Winterschlaf zu wachen Hat Ihnen das jemals zu mangelndem Selbstvertrauen verholfen? Lassen Sie es mich so ausdrücken, Mr. Raymer. Die 9000er-Serie ist der zuverlässigste Computer, der je hergestellt wurde. Kein 9.000-Computer hat jemals einen Fehler gemacht oder Informationen verfälscht Wir sind alle, nach jeder praktischen Definition des Begriffs, narrensicher und unfähig, narrensicher und unfähig Wie auch immer, Königin Ts Bauer. Okay? Bishop nimmt Ritterbauern. Ein netter Schachzug Äh, okay für King One. Es tut mir leid, Frank. Ich glaube, du hast es verpasst. Königin zu Bischof drei, Bischof nimmt Königin, Ritter nimmt Bischof. Mai. Ah. Ja, es sieht so aus, als ob du recht hast. Nein, kündige. für ein sehr unterhaltsames Spiel. Danke. Dann komm zurück. Hoffe , dir hat der Clip gefallen. Nun, es stammt aus dem Film 2001, Eine Odyssee im Weltraum, und dieser Film wurde im Jahr 1968 gedreht Nun, ich mache dieses spezielle Video im Jahr 2025. Das war also vor 57 Jahren. Und der Grund, warum ich das anspreche , ist, dass ich möchte , dass Sie verstehen , dass KI als Technologie, als Thema oder als schon seit Jahrzehnten existiert. Viele Leute scheinen zu denken, dass, Oh, KI diese neue Sache ist, die erst vor Kurzem entstanden ist. Das ist einfach nicht wahr. KI gibt es schon seit vielen, vielen Jahren. Gehen wir zum Clip selbst, was genau haben wir gesehen? Wir haben die Einführung eines bestimmten KI-Modells gesehen , das als Hal the HAL 9.000 bekannt Offensichtlich kann man sehen, dass es sich um ein extrem ausgeklügeltes KI-Modell handelt ein extrem ausgeklügeltes KI-Modell , denn laut dem Moderator sagte er, dass die Hal 9.000 das zentrale Nervensystem des gesamten Raumschiffs ist und auch für das Wohlbefinden der menschlichen Besatzungsmitglieder verantwortlich ist, und auch für das Wohlbefinden der menschlichen Besatzungsmitglieder verantwortlich ist während sie sich im Winterschlaf befinden Es handelt sich also um ein sehr leistungsfähiges, hochentwickeltes und hochintelligentes KI-Modell Und wir haben auch gesehen, wie das KI-Modell mit einem der menschlichen Besatzungsmitglieder Schach gespielt mit einem der menschlichen Besatzungsmitglieder Schach hat, und offensichtlich hat es gewonnen. Nun, lustige Tatsache, wenn Sie kein Schachspieler sind, bin ich ein Schachspieler. Ich schaue mir auch gerne Schach auf YouTube an. Heute haben wir KI-Modelle, sogenannte Engines, die professionellen Schachspielern helfen , sich auf Spiele vorzubereiten. Diese Modelle sind extrem intelligent und hochentwickelt. Professionelle Schachspieler verwenden diese Modelle also tatsächlich , um Schachspiele zu analysieren, sich auf Wettbewerbe vorzubereiten und auch um Fallen für ihren Gegner vorzubereiten Ich finde es wirklich faszinierend dass dieser spezielle Film, Die Odyssee im Weltraum, richtig vorhersagen konnte, richtig vorhersagen konnte dass wir irgendwann in der Zukunft KI-Modelle haben werden, wir irgendwann in der Zukunft KI-Modelle haben werden so gut im Schach sein werden, dass sie in der Lage sein werden, jeden Menschen zu schlagen Aber wenn wir noch einmal auf den Clip zurückkommen, sehen wir auch, dass das KI-Modell während des Interviews zwischen dem Moderator und dem tatsächlichen KI-Modell etwas sehr, sehr Erschreckendes gesagt hat, und das heißt, es ist nicht in der Lage , irgendwelche Fehler zu machen. Und ich finde das sehr, sehr beängstigend, weil es die berechtigte Besorgnis über KI in der Zukunft weckt Was passiert, wenn wir anfangen, KI-Modelle oder -Systeme zu entwickeln , die so intelligent sind, dass sie unabhängig denken können, und sie beschließen, selbst Entscheidungen zu treffen Nun gibt es viele Skeptiker, die behaupten, dass dies niemals passieren wird KI wird sich niemals ihrer selbst bewusst werden oder so intelligent werden Es gibt jedoch auch andere , die glauben, dass dies möglich sein könnte. Wir werden uns im Kurs viel eingehender damit befassen. Aber eine weitere Sache, die ich erwähnen wollte, bevor ich auf diese Einführung eingehe , ist das Thema der Verarbeitung natürlicher Sprache (NLP Sie in dem Clip feststellen können, Wie Sie in dem Clip feststellen können, führten die Menschen fast eine sehr natürliche Konversation mit dem KI-Modell Das KI-Modell, verdammt 9.000 waren aufgrund von NLP in der Lage zu verstehen, was die Menschen dazu sagten Verarbeitung natürlicher Sprache durch NLP ermöglicht es Maschinen oder KI-Modellen wie dem Hal 9.000, Sprachbefehle von Menschen zu interpretieren und dann eine bestimmte Art von Aufgabe oder Funktion auszuführen eine bestimmte Art von Natürlich werde ich später in diesem Kurs ein ganzes Modul dem Thema NLP widmen später in diesem Kurs ein ganzes Modul dem Thema NLP Hoffentlich hat Ihnen diese kurze Einführung in die Welt der künstlichen Intelligenz gefallen diese kurze Einführung in die Welt der künstlichen Intelligenz Lassen Sie uns nun mit der nächsten Lektion fortfahren. 3. Was ist künstliche Intelligenz?: Was ist künstliche Intelligenz? Nun, es ist im Grunde die Simulation menschlicher Intelligenz in Maschinen. Sie können sich das so vorstellen, als würden wir Menschen versuchen, unsere Intelligenz auf Maschinen zu übertragen. Jetzt haben wir Schlüsselmerkmale für künstliche Intelligenz. Wir haben die Fähigkeit zu lernen. KI-Systeme sollten also Lage sein, im Laufe der Zeit zu lernen und sich zu verbessern. Und dann sollten sie in der Lage sein, logische Überlegungen anzustellen und Schlussfolgerungen zu ziehen und dann irgendwann ein Ergebnis zu erzielen, und dann Wahrnehmung , also ihre Fähigkeit, sensorische Daten wie Bilder, Geräusche usw. zu verarbeiten und dann ein Ergebnis zu erzielen Und natürlich die Verwendung von NLP zur Verarbeitung natürlicher Sprache, die es KI-Modellen ermöglicht, die menschliche Sprache zu verstehen und zu interpretieren Letzten Endes besteht das Hauptziel der KI darin, es Modellen zu ermöglichen, kognitive Funktionen auszuführen , die denen von Menschen ähneln Jetzt haben wir verschiedene Arten von KI. Wir haben die enge KI, wir als aufgabenspezifische KI bezeichnen. Sie wird auch als schwache KI bezeichnet. Dies ist KI, die Sie in Ihren Firewalls, in Ihren Empfehlungssystemen, in Ihren virtuellen Chat-Boards wie Alexa und sogar in Ihrer HagPT-Cloud, Ihren Dipsk-Modellen usw. finden würden in Ihren Empfehlungssystemen, in Ihren virtuellen Chat-Boards wie Alexa und sogar in Ihrer HagPT-Cloud, Ihren Dipsk-Modellen usw. Und dann haben wir die nächste Stufe, nämlich die allgemeine KI, die die Fähigkeit besitzt, menschenähnliche Intelligenz zu besitzen Wir sind noch nicht da, aber viele Leute glauben, dass wir irgendwann in der Lage sein werden, eine KI zu entwickeln, die so weit fortgeschritten ist. Und dann in Zukunft superintelligente KI. Viele Menschen glauben, dass wir niemals KI entwickeln werden. Sie werden so raffiniert sein. Aber auch hier haben wir ein paar Leute, die glauben , dass wir es irgendwann schaffen werden. Also KI im täglichen Leben, wir verwenden KI bereits in virtuellen Assistenten, wie, weißt du, Alexa, Siri, deine Empfehlungssysteme wie auf Netflix, Spotify, YouTube, deine Smart-Home-Geräte verwenden ebenfalls KI Unsere selbstfahrenden Autos, wie natürlich Tesla, das ist alles KI Und wir haben KI auch im Gesundheitswesen mit dem Einsatz von medizinischer Bildgebung und vielem mehr. KI spielt also bereits eine große Rolle in unserem täglichen Leben. Jetzt möchte ich auf einige verbreitete Mythen in der Welt der KI eingehen. Der erste Punkt hier ist, dass KI Emotionen wie Menschen hat. bin ich sehr schuldig, denn wann immer ich meine Lieblings-KI-Modelle wie Cha JPT verwende meine Lieblings-KI-Modelle wie und dich bitte etwas für mich zu tun, macht es das sehr, sehr gut Am Ende danke ich Hajibt und sage etwas wie: Oh, vielen Dank, Du hast heute etwas Wunderbares für mich getan. Und natürlich wird Hagibt antworten, indem er sagt: Gern geschehen Und ich sage diese Dinge fast unbewusst , weil ich glaube, wenn ich nett zu Hagibt bin und Hagibt lobe , wann immer es mir gut tut , wird es mich in Zukunft mit noch besseren Ergebnissen belohnen , was natürlich nicht stimmt Hagibt kann Emotionen nicht verstehen. Es verarbeitet Emotionen nicht wie wir Menschen. Außerdem wird KI alle Arbeitsplätze ersetzen. Es besteht kein Zweifel , dass KI viele Arbeitsplätze ersetzen wird, aber sie wird niemals alle Arbeitsplätze ersetzen. Und tatsächlich wird KI auch neue Arbeitsplätze schaffen. Wir werden das im letzten Modul, der Funktion der KI, besprechen . Und dann ist KI unfehlbar, was bedeutet, dass KI keine Fehler machen kann Das ist natürlich nicht wahr. KI kann Fehler machen. KI kann Informationen halluzinieren. Und denken Sie daran, dass KI von Menschen entwickelt wurde. Wenn die Menschen also Fehler bei der Codierung oder beim Training des KI-Modells machen, macht das Modell Fehler. Es wird anfällig für Fehler sein, und wir werden später auch darauf eingehen und darauf, dass KI unabhängig denken kann. Auch hier glauben die meisten Menschen , dass wir niemals das Stadium erreichen werden, in dem KI sich ihrer selbst bewusst wird und in der Lage sein wird, selbstständig Entscheidungen zu treffen. Aber es gibt immer noch einige Leute, die glauben, dass wir es irgendwann schaffen werden. Ich weiß nicht, ob das stimmt oder nicht, aber die meisten Menschen scheinen zu glauben, dass das alles ein Mythos ist. KI kann nur auf der Grundlage von Anweisungen oder Regeln arbeiten , die ihr gegeben wurden. Und dann wird endlich meine Lieblings-KI die Weltherrschaft übernehmen. Und ich setze Ästhetik in den Vordergrund , denn wenn ich sage, dass KI die Weltherrschaft übernehmen wird, ist der Mythos dass KI sich ihrer selbst bewusst wird und das entscheidet, weißt du was? Ich werde über Menschen herrschen. Menschen werden zu Sklaven der KI werden. Nein, ich glaube nicht , dass das jemals passieren wird. In gewisser Weise wird KI jedoch die Weltherrschaft übernehmen, weil wir KI in fast allem, was wir tun, einsetzen werden , vom Transport über die Kommunikation bis hin zum Gesundheitswesen, Einkaufen , Kreativität und Unterhaltung. Du nennst es. Wir werden KI in der einen oder anderen Form haben. Das beeinflusst die Art und Weise, wie wir unser tägliches Leben leben. Also, ich wollte dir eine schnelle Verlobungsaktivität bieten. Denken Sie an das allerletzte Mal, Sie mit KI interagiert haben. Welche KI-Tools verwenden Sie täglich und wie verbessern sie Ihre Erfahrung? Nehmen Sie sich 5 Minuten Zeit, um darüber nachzudenken, und ich denke, Sie könnten die Ergebnisse als sehr faszinierend empfinden. Zusammenfassend möchte ich Ihnen nur eine kurze Zusammenfassung geben KI ist eine Simulation menschenähnlicher Intelligenz in Maschinen, und KI ist bereits Teil unseres täglichen Lebens. Und es gibt viele Mythen und Missverständnisse über KI. Ich habe bereits über sie gesprochen. Und KI, das ultimative Ziel von KI, sollte darin bestehen, die menschlichen Fähigkeiten zu verbessern und sie nicht zu ersetzen. Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 4. Geschichte der künstlichen Intelligenz: Schauen Sie sich nun kurz die Geschichte der künstlichen Intelligenz an . Die Geschichte der KI reicht also bis vor Tausenden und Abertausenden von Jahren zurück. Und wie ich bereits sagte, im Gegensatz zu dem, was viele Menschen glauben, ist KI im Gegensatz zu dem, was viele Menschen glauben, nicht etwas, das gerade erst entstanden ist. Tatsächlich gibt es sie schon eine ganze Weile. Natürlich hat KI, wie bei jeder Art von Technologie, sowohl Fortschritte als auch Rückschläge erlebt Die Rückschläge nennen wir KI-Winter. Nun, nur um Ihnen ein paar Beispiele für die frühen Konzepte künstlicher Bohnen zu geben, nicht unbedingt künstliche Intelligenz, sondern künstliche Bohnen In der griechischen Mythologie gibt es die Existenz eines riesigen bronzenen Automaten namens Talos Möglicherweise haben Sie Talos schon einmal in bestimmten Filmen gesehen. Und dann auch chinesische und arabische Automationen. Wir hatten frühe Geräte, die das Leben nachahmen konnten. Und auch in der Renaissance von Leonardo Da Vinci war er in der Lage, humanoide Roboter zu skizzieren Also die Geburt der KI, die Grundlagen des 20. Jahrhunderts, KI, wie wir sie heute kennen Ein Großteil der Grundlagenarbeit fand also zwischen den 40er und 50er Jahren statt. Und insbesondere hatten wir Alan Twin, den sehr berühmten Wissenschaftler , der 1950 den sogenannten Turing-Test entwickelte Das wird verwendet, um maschinelle Intelligenz zu bewerten. Jetzt, im Jahr 1943, hatten wir die ersten neuronalen Netzwerke, die von Walter McCulloch und Walter Pitts entworfen wurden von Walter McCulloch und Walter Und dann, im Jahr 1956, schließlich, auf der Damoth-Konferenz, der Begriff künstliche Intelligenz als wurde der Begriff künstliche Intelligenz als akademisches Gebiet von John McCarthy geprägt Was sind also die Winter und das Wiederaufleben der KI ? Nun , 1970 die LA-Systeme nicht den Erwartungen, was zu einer Kürzung der Mittel führte Natürlich dachten viele Unternehmen und Länder: Wissen Sie was? Diese KI-Sache wird nicht funktionieren. Lasst uns aufhören, unsere Forscher zu finanzieren. Und dann, 87-993, gab es einen weiteren Rückschlag weil unsere Rechenleistung damals stark eingeschränkt damals Denken Sie daran, dass Sie viel Rechenleistung benötigen, um KI-Modelle viel Rechenleistung benötigen Und damals waren Computer einfach nicht leistungsfähig genug. Aber was ist mit der Wiederbelebung? Sehen Sie, in den 1980er Jahren hatten wir Expertensysteme, die sowohl in der Wirtschaft als auch in der Medizin an Bedeutung gewannen , und zwischen den 1990er und 2000 aufgrund der Fortschritte beim maschinellen Lernen und des Aufkommens des Internets konnten all diese Systeme aufgrund der Fortschritte beim maschinellen Lernen und des Aufkommens des Internets zur weiteren Erforschung künstlicher Intelligenz beitragen weiteren Erforschung künstlicher Intelligenz Ich habe hier also einige wichtige Meilensteine in der KI-Entwicklung 1997 hatten wir den IBM-Superpowercomputer Deep Blue, der den damaligen Weltmeister Gary Kasparov im Schach besiegte Weltmeister Gary Kasparov Jetzt, als großer Schachfan, habe ich die Partien tatsächlich verfolgt sie zum ersten Mal gegen Gary Kasparov spielten , den übrigens viele Leute für den besten Schachspieler aller Zeiten hielten , besiegte er Deep Blue im allerersten Er ging zurück, weil sie für einen Rückkampf zurückkamen, und dann, im Rückkampf, besiegte Deep Blue schließlich Das war also ein bedeutender Meilenstein denn es war das allererste Mal in Geschichte der Menschheit, dass eine Maschine Lage war, einen Menschen auf dem Schachbrett zu schlagen Und dann hatten wir 2011 einige weitere Meilensteine, als die IBM Machine Watson Jeopardy gegen Even Champions gewann Und dann, im Jahr 2016, hatten wir Googles Tor verfehlt. Damit wurde der Weltmeister-Torspieler Lee Sedol besiegt. Und dann, in den zwanziger Jahren, waren KI-Modelle wie der Cha GPI, das Aufkommen von Modellen wie ha GPT, Cloude usw. in der Lage, eine menschenähnliche Textgenerierung KI-Modelle wie der Cha GPI, das Aufkommen von Modellen wie ha GPT, Cloude usw. in der Lage, eine menschenähnliche Textgenerierung Also KI im 21. Jahrhundert, wie wir sie kennen, wir haben jetzt KI-Power in Autos wie Ihrem Tesla, den Einsatz natürlicher Sprachverarbeitung, die von KI-Modellen wie Ihrem Deep Sik , Clothing, Ajpit und so weiter verwendet wird Clothing Und dann, auch im Gesundheitswesen, haben wir jetzt KI Power-Diagnostika und auch Was ist also die Zukunft der KI? Was können wir erwarten? Nun, wir können mit KI-gestützter Kreativität in Kunst und Musik und auch mit Fortschritten in der Zusammenarbeit zwischen Mensch und KI rechnen . Es wird mehr Zusammenarbeit zwischen künstlicher Intelligenz und Menschen geben. Und natürlich der Einsatz ethischer KI-Frameworks, um sicherzustellen, dass KI verantwortungsbewusst eingesetzt wird, KI verantwortungsbewusst trainiert und dass KI tatsächlich sicher in der Anwendung ist Also nur eine kurze Zusammenfassung der Lektion KI existiert seit Jahrhunderten in der menschlichen Vorstellungskraft Die Dermoth-Konferenz von 1956 markierte die offizielle Geburtsstunde der KI als akademisches Gebiet Und dann hatten wir natürlich die KI-Winter und dann das Wiederaufleben der KI Und natürlich basiert die moderne KI auf der Planung, die wir mit Big Data und natürlich mit jeder Menge Rechenleistung umsetzen werden natürlich mit jeder Menge Rechenleistung umsetzen Und schließlich wird die Zukunft der KI ethische Überlegungen und die Zusammenarbeit zwischen Menschen und künstlicher Intelligenz beinhalten ethische Überlegungen und die Zusammenarbeit zwischen Menschen und künstlicher Intelligenz Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 5. Schlüsselkonzepte und Terminologie: Willkommen zurück. Lassen Sie uns nun einen Blick auf einige wichtige Konzepte und Begrifflichkeiten werfen, die in der Welt der KI verwendet werden. Wir beginnen mit den KI-Begriffen. Es gibt drei davon: künstliche Intelligenz, maschinelles Lernen und natürlich Deep Learning. Nun, wenn es um künstliche Intelligenz geht, haben wir bereits darüber gesprochen. Es sind im Grunde Maschinen, die versuchen , menschenähnliche Intelligenz zu simulieren. Sie haben Ihre Beispiele mit Alexa, Civ, Sie wissen schon, Ihrem virtuellen Assistenten Aber dann haben wir auch maschinelles Lernen, das im Grunde eine Untergruppe der künstlichen Intelligenz ist, bei der die Maschinen auf der Grundlage von Mustern lernen können Ihre Prüfung — eines der besten Beispiele hierfür wären Ihre Spam-Filter in Ihrer E-Mail. Denk darüber nach, okay? E-Mail-Spam-Filter sind nicht starr. Sie sind in der Lage, anhand von Trends, Mustern und der Historie zu identifizieren, was Spam ist . Stellen Sie sich die Maschinen also so vor, als würden sie dabei lernen. Anfänglich kann es sein, dass der Spamfilter keine gute Arbeit leistet, wenn es darum geht, jede Art von Spam abzufangen. Aber im Laufe der Zeit, wenn er anfängt zu lernen, was genau Spam ist, können die verschiedenen Formen und Formen einer Spam-Mail mit der Zeit auftauchen, und sie wird sich verbessern. Und dann haben wir endlich Ihr Deep Learning , eine fortgeschrittenere Untergruppe des maschinellen Lernens, bei der neuronale Netze zur Verarbeitung komplexer Daten verwendet neuronale Netze zur Verarbeitung komplexer Daten Eines der besten Beispiele hierfür wären Ihre Gesichtserkennungssysteme Jetzt, später in diesem Kurs, werden wir uns eingehend mit maschinellem Lernen und tiefem Lernen befassen maschinellem Lernen und tiefem Lernen Aber was ist mit den Konzepten, okay? Es gibt eine Menge von ihnen, und Sie sollten eine Vorstellung davon haben, was sie sind. Der erste hier wird der Algorithmus sein. Im Grunde genommen handelt es sich um eine Reihe von Regeln oder Schritten, eine Maschine folgt, um entweder ein Problem zu lösen denen eine Maschine folgt, um entweder ein Problem zu lösen oder eine Entscheidung zu treffen. Wir haben Algorithmen in fast jeder Art von Anwendung gesehen , egal ob es sich um eine Dating-Anwendung oder eine Gaming-App handelt. Im Grunde verwendet jede Art von App oder Programm einen Algorithmus, um zu bestimmen, wie diese Anwendung Daten verarbeitet oder eine Entscheidung trifft. Wir haben dein Modell. Es ist im Grunde ein Zugsystem, das in der Lage ist , Vorhersagen auf der Grundlage von Daten zu treffen. Oh, du bist ein GIPT, deine Cloud, deine Meine Reise Dies sind alles Beispiele für KI-Modelle. Sie haben die Trainingsdaten, also die Daten, die zum Trainieren dieser Modelle verwendet werden. Auch hier werden wir etwas später im Kurs etwas ausführlicher darauf eingehen, wie KI-Modelle trainiert werden. Und dann haben wir das, was wir Inferenz nennen. Dies ist im Grunde die Fähigkeit eines KI-Modells, Vorhersagen auf der Grundlage neuer Daten zu treffen , die es erfasst hat wir zum Beispiel an, Sie haben ein KI-Modell Nehmen wir zum Beispiel an, Sie haben ein KI-Modell , das verwendet wird, um Prognosen an der Börse zu treffen. Wenn also etwas Neues passiert, zum Beispiel ein Krieg ausgebrochen ist oder vielleicht ein Präsidentschaftskandidat die Wahl gewonnen hat, könnte sich das auf den globalen Aktienmarkt auswirken. Die KI hier wäre also in der Lage, auf der Grundlage dieser neuen Ereignisse, die eingetreten sind, Vorhersagen zu treffen . Das nennen wir Inferenz. Und dann haben wir Ihr neuronales Netzwerk. Es ist im Grunde ein Computersystem das vom menschlichen Gehirn inspiriert ist und beim Deep Learning verwendet wird Auch hier werden wir später im Kurs über Deep Learning sprechen später im Kurs über Deep Learning Und dann NLP zur Verarbeitung natürlicher Sprache. Dies ist die Fähigkeit einer Maschine, menschliche Sprache, Text, grundsätzlich zu verstehen und zu generieren Außerdem wird es einen speziellen Abschnitt des Moduls geben. Es ist dem Ziel gewidmet, mehr über NLP zu erfahren. Und dann endlich Computer Vision. Das ist natürlich KI, die es Maschinen ermöglicht, auch Bilder und Videos zu interpretieren. Dies sind also einige der wichtigsten Konzepte, die Sie kennen sollten, wenn es um KI geht. Nun, Arten von KI, darüber habe ich bereits früher gesprochen. Sie haben eine begrenzte KI , die für ganz bestimmte Aufgaben verwendet wird. Ein Beispiel hierfür wäre Ihr Google Translate, Ihr Cha JBT Im Grunde so etwas wie die enge KI. Aber dann haben Sie auch Ihre allgemeine KI, die starke KI, eine KI, die jede intellektuelle Aufgabe erfüllen kann , die ein Mensch erledigen kann. Zu diesem Zeitpunkt ist es immer noch ziemlich theoretisch. Es ist noch nicht entwickelt worden. Und dann natürlich die superintelligente KI, eine KI, die die menschliche Intelligenz übertrifft Es ist ein Zukunftskonzept. Also argumentieren Sie sogar, dass es niemals so weit kommen wird, während Menschen, die glauben , dass wir superintelligente KI bekommen werden, glauben, dass es Jahrzehnte dauern wird, bis das passiert. Und Sie sollten auch den Unterschied zwischen Automatisierung und KI verstehen . Sehen Sie, wenn es um Automatisierung geht, folgt sie vordefinierten Regeln. Zum Beispiel kauft der Kunde Produkt A. Da der Kunde Produkt A gekauft hat, schicken Sie dem Kunden einen 25-prozentigen Gutschein den Kauf von Produkt B, wissen Sie, so ungefähr, oder? Automatisierung basiert auf Regeln und Auslösern. Wenn es um KI geht, folgt sie keinen Regeln. KI ist grundsätzlich in der Lage, selbstständig zu lernen und Entscheidungen zu treffen. Zum Beispiel Sie selbst, wenn Sie Autos fahren. Um Ihnen eine kurze Zusammenfassung der Lektion zu geben KI umfasst maschinelles Lernen und Deep Learning als Teilbereiche, Algorithmen, Ihre Modelle, Ihre Trainingsdaten Dies sind alles Kernkomponenten von KI. Nun kann es sich bei KI um eng gefasste, spezifische Aufgaben handeln, um allgemeine KI wie Menschen oder um Super-KI, die menschliche Fähigkeiten übersteigen, und dann sind Automatisierung und KI unterschiedlich, aber KI kann die Automatisierung tatsächlich verbessern. Danke, dass du dir das Video angesehen hast. Wir sehen uns in der nächsten Klasse. 6. KI vs. maschinelles Lernen vs. Deep Learning: Komm zurück. Schauen wir uns nun genauer die Unterschiede zwischen künstlicher Intelligenz, maschinellem Lernen und natürlich Deep Learning genauer an. KI, künstliche Intelligenz ist also das umfassendste Konzept, okay? Während maschinelles Lernen eine Untergruppe der künstlichen Intelligenz wäre , ist Deep Learning eine fortgeschrittenere Untergruppe des Also stell es dir so vor, okay? Ganz oben haben wir KI. Direkt unter KI haben wir maschinelles Lernen, und direkt unter maschinellem Lernen haben wir Deep Learning. Nun, ich habe hier eine Analogie angegeben, okay? Stellen Sie sich KI als das gesamte Universum vor, oder? Maschinelles Lernen wäre wie eine Galaxie in diesem Universum, während Deep Learning ein Sonnensystem innerhalb der maschinellen Lerngalaxie wäre . Um das Ganze abzurunden Alles Deep Learning ist ein Teilbereich des maschinellen Lernens, aber nicht jede künstliche Intelligenz ist maschinelles Lernen Denken Sie daran, dass künstliche Intelligenz viel mehr zu bieten hat als nur maschinelles Lernen Um es noch einmal zusammenzufassen: Das gesamte Deep Learning fällt unter maschinelles Lernen, aber nicht die gesamte künstliche Intelligenz ist maschinelles Lernen Okay. Also, was ist KI? Wir haben schon darüber gesprochen? Im Grunde genommen Maschinen, die menschenähnliche Intelligenz simulieren. Und natürlich ist KI in der Lage, Aufgaben auszuführen, sie zu lösen, Entscheidungen zu treffen und solche Dinge Sie sollten wissen, dass KI nicht immer lernt. KI kann auch unseren vordefinierten Regeln folgen. Nun, maschinelles Lernen ist im Grunde eine Untergruppe der künstlichen Intelligenz , die es Maschinen ermöglichen würde, aus Daten und Mustern zu lernen Und das würde es dieser Maschine natürlich ermöglichen, Vorhersagen zu treffen und Probleme im Laufe der Zeit zu lösen Es gibt drei Möglichkeiten, wie maschinelles Lernen durchgeführt wird. der ersten Methode handelt es sich um das sogenannte überwachte Lernen, bei dem die Trainingsdaten, die Bei der ersten Methode handelt es sich um das sogenannte überwachte Lernen, bei dem die Trainingsdaten, die an die Maschine weitergegeben werden, tatsächlich beschriftet werden. Stellen Sie sich vor, Sie versuchen, einen Spamfilter zu trainieren. Im Rahmen des überwachten Lernens erhält der Computer also verschiedene Arten von Spam-E-Mails, und die Daten werden mit „ Okay, das ist Spam, das ist Spam, das ist Spam“ beschriftet . Im Laufe der Zeit, wenn der Computer all diese Beispiele für die verschiedenen Arten von Spam-E-Mails gesehen hat, wird er in der Lage sein, daraus zu lernen und in Zukunft Vorhersagen darüber zu treffen, ob es all diese Beispiele für die verschiedenen Arten von Spam-E-Mails gesehen hat, wird er in der Lage sein, daraus zu lernen und in Zukunft Vorhersagen darüber zu treffen , ob einer bestimmten Art von E-Mail um Spam oder um legitime E-Mails handelt. Und dann haben wir das, was wir das unbeaufsichtigte Lernen nennen, bei dem die Trainingsdaten nicht gekennzeichnet werden und das KI-Modell lernt, auf der Grundlage dieser Hördaten Vorhersagen zu treffen. Im Grunde versucht es, Muster zu finden. Eines der besten Beispiele hierfür wäre die Kundensegmentierung Und dann ist das letzte, was wir Reinforcement-Learning nennen Stellen Sie sich das als ein System mit Belohnungen und Strafen vor, bei dem die KI, wenn das Modell die richtige Art von Vorhersage macht oder in der Lage ist, ein Problem zu lösen oder die richtige Antwort gibt , belohnt wird. Aber wenn es einen Fehler macht, wird es bestraft. Das nennen wir also Reinforcement-Learning. Wir haben maschinelles Lernen also in vielen Beispielen gesehen , in Ihren Spam-Filtern, Ihren YouTube-Netflix-Empfehlungen und sogar in der Betrugserkennung im Bankwesen. Maschinelles Lernen stützt sich also stark auf Algorithmen, um Muster zu erkennen und Vorhersagen zu treffen. Aber was ist mit Deep Learning? Es ist eine Untergruppe des maschinellen Lernens, bei der künstliche neuronale Netze verwendet werden , um große Mengen komplexer Daten zu verarbeiten Es verwendet also mehrere Nuancenebenen. Wir nennen sie die tiefen neuronalen Netzwerke. Funktioniert am besten mit großen Datensätzen und hoher Konkurrenzstärke. Mit anderen Worten, Sie benötigen sehr leistungsstarke Computer, um Deep Learning auszuführen, und natürlich ermöglicht es KI, menschenähnliche Aufgaben wie Spracherkennung, Gesichtserkennung und vieles mehr auszuführen Aufgaben wie Spracherkennung, Gesichtserkennung und vieles mehr Nun haben wir Deep Learning in mehreren Beispielen gesehen. Zum Beispiel Ihre Gesichtserkennung in Ihren Smartphones, auch die Erkennung von Fingerabdrücken, selbstfahrende Autos wie Ihre Teslas und natürlich in Ihren KI-Modellen wie TajiPT und Heute ist Deep Learning die fortschrittlichste KI-Technik, die es Maschinen ermöglicht, menschliche Gehirnfunktionen grundsätzlich nachzuahmen Deshalb habe ich Ihnen hier die Tabelle gegeben, um die wichtigsten Unterschiede zwischen KI ML und DL hervorzuheben die wichtigsten Unterschiede zwischen KI ML und DL Wir haben die Merkmale in der Definition, wie gesagt, KI besteht im Grunde aus Maschinen, die menschliche Intelligenz nachahmen Maschinelles Lernen lernt aus Daten und Mustern, während Deep Learning Wood eine fortschrittliche ML-Untergruppe ist , die neuronale Netze verwendet Wenn es um die Datenabhängigkeit geht, KI an sich möglicherweise keine Daten, da KI auch einfach von selbst benötigt KI an sich möglicherweise keine Daten, da KI auch einfach von selbst lernen kann maschinellen Lernen sind jedoch strukturierte Daten erforderlich. Beim Deep Learning sind große Mengen an Datensätzen erforderlich . Beispiele: Unter Ihrer KI haben wir natürlich Ihre Chat-Boards und virtuelle Unterstützung. Für Ihr maschinelles Lernen haben wir Ihre Spamfilter, empfohlene Systeme, für Ihr Deep Learning, Ihre selbstfahrenden Autos sowie Ihre Gesichtserkennung. Und dann das letzte Merkmal, die Komplexität. Das ist sehr, sehr interessant. Jetzt, mit KI, ist das ein weites Feld. Beinhaltet regelbasierte künstliche Intelligenz. Und dann für maschinelles Lernen einfachere Algorithmen, aber dafür ist Training erforderlich. Und dann ist Deep Learning hochkomplex und erfordert sehr leistungsstarke Hardware. Das sind also einige der wichtigsten Unterschiede zwischen diesen drei Begriffen. Deshalb wollte ich Ihnen ein Beispiel aus der Praxis geben, wie diese drei zusammenkommen, um etwas sehr Mächtiges voranzutreiben. Sagen wir zum Beispiel Ihren Tesla, ein selbstfahrendes Auto. Künstliche Intelligenz wird es dem Auto im Grunde ermöglichen, die Entscheidungen zu treffen, okay? Dank KI weiß das Auto also, dass es zum Beispiel in einem dicht besiedelten Gebiet wahrscheinlich nicht zu schnell fahren sollte Beispiel in einem dicht besiedelten Gebiet wahrscheinlich nicht zu schnell Aber dann mit maschinellem Lernen, denn denken Sie daran, dass maschinelles Lernen Muster und Daten erfordert , aus denen gelernt werden kann Mit maschinellem Lernen könnte das Auto in der Lage sein, Vorhersagen darüber zu treffen , wie der Verkehr zu einer bestimmten Tageszeit aussehen wird . Es könnte auch in der Lage sein, Vorhersagen auf der Grundlage des Wetters zu treffen, solche Dinge aufgrund des maschinellen Lernens. Und dann würde Deep Learning es dem Auto ermöglichen , Verkehrsschilder und Verkehrsschilder zu interpretieren oder sogar Fußgänger zu erkennen, Verkehrsschilder zu interpretieren oder sogar die versuchen, die Straße zu überqueren Wenn Sie also alle drei kombinieren, stellen Sie es sich so vor, richtig, KI ist im Grunde so etwas wie das Gesamtsystem des selbstfahrenden Autos Das maschinelle Lernen würde es dem Auto ermöglichen , sich im Laufe der Zeit zu verbessern und zu lernen, während Deep Learning das Auto hocheffizient machen würde. So kommen diese drei zusammen, um Ihren Tesla oder andere selbstfahrende Autos auf dem Markt anzutreiben. Also kurz zuhören, Zusammenfassung KI ist das weite Feld, ML ist natürlich die Untergruppe von KI Das würde es Maschinen ermöglichen, aus Daten zu lernen, während DL die sehr fortschrittliche Untergruppe von ML ist die sehr fortschrittliche Untergruppe von ML , die neuronale Netze für fortgeschrittenes Lernen verwendet Und natürlich sind KI, ML und DL miteinander verknüpft, weisen aber natürlich deutliche Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 7. Abschnittsvorschau Die Grundlagen der künstlichen Intelligenz: Ich werde mich mit den Grundlagen der künstlichen Intelligenz vertraut machen, und es ist Zeit für einen weiteren Filmclip. Und etwas sagt mir , dass Sie wahrscheinlich den Film gesehen haben , aus dem dieser Clip stammen wird. Lehnen Sie sich trotzdem zurück und entspannen Sie sich. Viel Spaß mit dem Clip und wir sehen uns am Ende. Im Moment sind wir in einem Computerprogramm. Ist es wirklich so schwer zu glauben? Deine Klamotten sind anders. Die Stecker in deinen Armen und deinem Kopf sind weg. Deine Haare haben sich verändert. Ihr Aussehen ist jetzt das, was wir Rest-Selbstbild nennen. Es ist die mentale Projektion deines digitalen Selbst. Das ist nicht real. Was ist echt? Wie definierst du real? Wenn du darüber sprichst, was du fühlen kannst, was du riechen kannst, was du schmecken und sehen kannst, dann sind real einfach elektrische Signale von deinem Gehirn interpretiert werden. Das ist die Welt, die du kennst. Die Welt, wie sie am Ende des 20. Jahrhunderts war. Sie existiert jetzt nur noch als Teil einer neuronalen interaktiven Simulation , die wir Matrix nennen. Du hast in der Traumwelt gelebt, Neo. Das ist die Welt , wie sie heute existiert. Okay, willkommen zurück. Und natürlich stammt dieser Clip aus dem sehr beliebten Film Matrix, der 1999 veröffentlicht wurde. Und wenn Sie diesen Film aus irgendeinem Grund noch nie gesehen haben, was machen Sie mit Ihrem Leben? Hören Sie auf, sich diesen Kurs anzusehen und schauen Sie sich den Film an. Also, ich scherze, beenden Sie zuerst diesen Kurs und dann können Sie gehen und sich den Film ansehen Aber im Ernst, Matrix ist meiner bescheidenen Meinung nach einer der besten Filme aller Zeiten. Er wirft bei der Action so viele interessante Fragen auf, und es ist ein großartiger Film. Du musst ihn dir einfach ansehen. Nun, warum habe ich mich für diesen speziellen Clip entschieden? Nun, weil er eine Menge faszinierender Fragen aufwirft. Ich werde mich mit zwei davon befassen. Lassen Sie mich zunächst beschreiben, was in der Szene passiert. Sie haben Mofius, den Mann mit den dunklen Schatten. Er erklärt Neo, dem anderen Typen, dass, hey, diese Welt, in der wir uns gerade befinden, das alles virtuelle Realität ist Es ist nicht real. Es ist falsch. Es wird von einem sehr leistungsfähigen KI-System generiert das als Matrix bekannt ist. Jetzt ist Neo offensichtlich sehr überrascht. Er ist schockiert. Er sagt: Nein, wie kann das sein? Nein, das ist echt. Das kann falsch sein. Er berührt den Stuhl und Morpheus fragt ihn, wie definierst du, was real ist? Und ich fand, das ist eine sehr, sehr faszinierende Frage. Wie definiert man, was real ist? Und der Grund, warum das so faszinierend ist, ist, dass wir heute KI-generierte Videos, Bilder und Deepfakes haben. Und obwohl wir heute weitgehend erkennen können , was real ist und was von KI generiert wird, denken Sie darüber nach In den kommenden Jahren werden die Arten von Inhalten, die KI generieren kann, so realistisch sein, dass die KI generieren kann, so realistisch sein wir möglicherweise nicht mehr in der Lage sein werden, zwischen dem, was tatsächlich real ist, und dem, was von KI generiert wird, zu unterscheiden . Möglicherweise benötigen wir bestimmte Systeme , Scanner oder Algorithmen, um zu erkennen, ob das Bild oder das Video, das wir uns erkennen, ob das Bild oder das Video, das wir ansehen, tatsächlich echt oder falsch ist. Denk darüber nach. Es ist also sehr, sehr faszinierend. Wie können wir definieren, was ein echtes Bild und was ein KI-generiertes Bild ist ? Eine weitere Frage hier ist jedoch, dass wir in dem Clip den Einfluss sehen, den die Matrix jetzt auf die menschliche Bevölkerung hat, oder? Die Matrix ist sehr mächtig. Es war in der Lage, diese virtuelle Realität zu erschaffen, also hat sie großen Einfluss auf Menschen, oder? Nun, ich weiß, dass die Matrix ein extremes Beispiel für den Einfluss von KI auf Menschen ist. Aber denken Sie heute darüber nach. Heute, ob Sie es glauben oder nicht, KI hat bereits einen gewissen Einfluss auf unser tägliches Leben. Du glaubst mir nicht, wenn du auf YouTube gehst oder du auf Netflix oder Spotify oder eine dieser Plattformen gehst , hast du immer diese Empfehlungs-Tabs oder -Systeme, richtig, die dir Inhalte empfehlen , basierend auf deinem Verlauf, basierend auf deinen Suchergebnissen, und manchmal sind Empfehlungen sogar einfach zufällig. Aber denk darüber nach. Diese Empfehlungen beginnen bereits, unsere Denkweise zu beeinflussen . Es könnte uns beeinflussen , damit zu beginnen, eine bestimmte politische Partei oder einen bestimmten Kandidaten zu unterstützen . Es könnte beginnen, die Art und Weise zu beeinflussen, wie wir Dinge kaufen. Es könnte beginnen, die Art und Weise zu beeinflussen, wie wir über bestimmte kontroverse Themen denken und so weiter. In gewisser Weise beginnen diese Empfehlungssysteme , die auf KI , die auf KI basieren, bereits einen gewissen Einfluss darauf zu haben , wie wir unser tägliches Leben leben. Das wirft also die Frage auf, wie viel mehr Einfluss KI auf die Art und Weise haben wird , wie wir unser Leben leben , wenn sie immer intelligenter wird Denn ob Sie es glauben oder nicht, ob es mir gefällt oder nicht, KI wird in fast allen Bereichen unseres Lebens eingeführt werden , sei es Kommunikation, Transport, Einkaufen, Unterhaltung, Kreativität, KI wird überall Einzug halten Stellen Sie sich also vor, welchen Einfluss KI in naher Zukunft auf uns haben wird. Wie dem auch sei, lassen Sie uns mit der nächsten Lektion fortfahren , in der wir über die eigentlichen Grundlagen der KI sprechen werden. Wir sehen uns dort. 8. Grundlagen der KI: Schauen Sie sich nun ein sehr, sehr wichtiges Thema an, und das werden die Grundlagen der künstlichen Intelligenz sein. Im Gegensatz zu dem, was viele Leute vielleicht glauben, ist KI nicht nur auf den Technologiebereich beschränkt. Es umfasst tatsächlich mehrere Disziplinen. Als Beispiel werden Sie KI natürlich in der Informatik haben , wo die Verwendung von Algorithmen, Datenstrukturen, Programmiercode usw. in der KI verwendet wird, dann haben Sie KI auch im Bereich Mathematik und Statistik. Vergessen Sie nicht, dass wir KI für mathematische Berechnungen, für die Berechnung von Wahrscheinlichkeiten usw. verwenden können KI für mathematische Berechnungen, für die Berechnung von Wahrscheinlichkeiten usw. Und dann gibt es auch KI im Bereich der Kognitions - und Neurowissenschaften Weil du darüber nachdenkst, oder? Um künstliche Intelligenz entwickeln zu können , die menschliche Intelligenz nachahmen soll , müssen wir zunächst die menschliche Intelligenz verstehen . Und dann haben wir auch KI im Bereich der Linguistik. Dies ist natürlich für die Verarbeitung natürlicher Sprache unerlässlich für die Verarbeitung natürlicher Sprache Und vielleicht ist es sehr überraschend, dass Sie KI im Bereich der Philosophie und Ethik haben werden , denn denken Sie mal darüber nach, oder? Die größten Herausforderungen im Zusammenhang mit KI drehen sich um Ethik, Datenschutz und darum, ob der Einsatz von KI tatsächlich moralisch vertretbar ist oder nicht darum, ob der Einsatz von KI tatsächlich moralisch vertretbar ist Im Gegensatz zu dem, was viele Menschen vielleicht darüber denken, dass KI nur ein Technologiefeld ist , gibt es KI auch in mehreren Disziplinen Schauen wir uns nun die Kernprinzipien der KI an . Es gibt sechs davon. Ich möchte sie mir einzeln ansehen, angefangen mit der Logik und der Entscheidungsfindung. Viele KI-gestützte Modelle verlassen sich auf Logik , um Entscheidungen zu treffen. Sie haben zum Beispiel Ihre Mobbing-Logik, die Operatoren wie Ihr N oder nichts verwendet . Wenn zum Beispiel A gleich B ist, B gleich C ist, muss A gleich C sein, so etwas in der Art, Und auch das regelbasierte System, in dem Sie Ihre E- und dann L-Anweisungen haben Wenn das Wetter zum Beispiel regnerisch ist, nehmen Sie einen Regenschirm mit. Sonst, wenn das Wetter nicht regnet, dann nimm keinen Regenschirm mit, du weißt schon, solche Dinge, oder? Und dann auch Expertensysteme. Dabei handelt es sich um KI, die menschliches Fachwissen nachahmt , indem sie vordefinierte Regeln befolgt Sie haben sie in Ihrer medizinischen Diagnostik. Wir haben jedoch gewisse Einschränkungen, was die Logik und die Entscheidungsfindung angeht, und das liegt daran, dass KI mit Ungewissheit zu kämpfen hat, und wann immer komplexe Entscheidungen getroffen und wann immer komplexe Entscheidungen getroffen werden müssen, um dies zu berücksichtigen, wäre das nächste Prinzip hier das Prinzip von Wahrscheinlichkeit und Unsicherheit. Wir haben über die Rolle von Big Data gesprochen und wie wichtig Daten für künstliche Intelligenz sind. Es gibt jedoch viele Situationen , in denen ein KI-Modell möglicherweise Entscheidungen auf der Grundlage unvollständiger oder verrauschter Daten In Ihren Baysia-Netzwerken verwenden Sie beispielsweise KI für probabilistisches Denken, verwenden Sie beispielsweise KI für um Maschinen dabei zu helfen , fundierte Vermutungen anzustellen, zum Beispiel in Ihren Spam-Filtern, aber Sie haben sie auch in Ihren Markov-Entscheidungsprozessen, Ihrem MDP, wo KI für die Entscheidungsfindung in bestimmten Umgebungen wie Robotik, Finanzen usw. verwendet wird bestimmten Umgebungen wie in Ihren Spam-Filtern, aber Sie haben sie auch in Ihren Markov-Entscheidungsprozessen, Ihrem MDP, wo KI für die Entscheidungsfindung in bestimmten Umgebungen wie Robotik, Finanzen usw. verwendet wird. Und dann auch in Ihren Monte-Carlo-Simulationen, die normalerweise für Risikoanalysen und Spiele verwendet Das nächste Konzept hier ist die Optimierung und das Lernen. Natürlich lernt und optimiert KI ständig gleichzeitig. KI kann also Optimierungsalgorithmen verwenden , die der KI helfen würden, ihre Parameter anzupassen , um Fehler zu minimieren. Ein Beispiel hierfür wäre der Gradientenabstieg, der in ML zum maschinellen Lernen zur Feinabstimmung von Modellen verwendet maschinellen Lernen zur wird, indem Vorhersagefehler reduziert werden. Und dann das Konzept der linearen Programmierung, bei dem der KI die Zuweisung von Ressourcen und das Aufteilen von Aufgaben beigebracht werden, und dann evolutionäre Algorithmen Dies ist von der natürlichen Auslese inspiriert. Diese Algorithmen entwickeln Lösungen im Laufe der Zeit weiter. Ein Beispiel hierfür wären Ihre genetischen Algorithmen, Ihre GA, die Lösungen für komplexe Probleme optimieren. Eine der größten Stärken der KI besteht nun in der Fähigkeit , Muster zu erkennen und im Laufe der Zeit aus diesen Mustern zu lernen. Und eines der wichtigsten Konzepte hier sind die neuronalen Netzwerke, die Sie in Ihrem Deep Learning finden. Hier ahmt die KI also das menschliche Gehirn nach, um Muster in Daten zu erkennen Hier ein Beispiel: Ihre Bilderkennungssysteme, die Objekte auf Fotos erkennen können Auch das Konzept der Merkmalsextraktion, bei dem die KI die Daten in wichtige Merkmale zerlegen kann. In Ihrem Sprachassistenten kann das KI-Modell beispielsweise die Stimme in mehrere Segmente aufteilen und dann Befehle verstehen, die auf diesen Segmenten basieren. Und dann auch beim Konzept von Clustering und Klassifizierung, bei dem die KI Daten in aussagekräftige Kategorien gruppieren kann , oder in Ihrer Kundensegmentierung und so weiter Und dann verstärkendes Lernen. Wir haben ein bisschen früher darüber gesprochen. Das ist die Art von Training mit Versuch und Irrtum oder Belohnung und Strafe für Maschinen. KI kann also durch Versuch und Irrtum lernen, so wie Menschen auch aus Erfahrung lernen, oder? Wir haben also das belohnungsbasierte Lernen, bei dem die KI Belohnungen oder Strafen erhalten kann , je nachdem, wie gut sie in einem Test oder in einer Prüfung abschneidet, und dann Erkundung und Ausbeutung. KI muss also ein Gleichgewicht zwischen neuen Strategien und der Verwendung bekannter Strategien finden. Das KI-Modell muss also gewissermaßen ein ausgewogenes Verhältnis zwischen beiden finden und sich nicht ausgiebig auf eine von beiden verlassen. Ein Beispiel: Ihre selbstfahrenden Autos wie Ihr Tesla haben die besten Fahraktionen gelernt, indem sie für sicheres Verhalten belohnt wurden. Und dann auch dein Schach Alpha Zero, ein sehr, sehr mächtiges Schachmodell. Es hat gelernt, wie man professionell Schach spielt, indem es einfach Millionen von Spielen gegen sich selbst Nun zu Heuristiken und ungefähren Lösungen. Das ist sehr, sehr interessant. Hier kann es manchmal unpraktisch sein, die genaue Lösung zu finden , wenn man das Problem auf der Herausforderung basiert, die der KI gestellt wird Die KI muss sich also heuristischer Methoden bedienen, wir intelligente Abkürzungen nennen Wir haben also die heuristischen Suchalgorithmen. Zum Beispiel wird die KI einfach schneller nach den Lösungen suchen, die gut genug sind, sagen wir nach einem Sternalgorithmus zur Pfadfindung in Karten Manchmal, wenn sie versuchen, nach etwas zu suchen, zum Beispiel in Ihrer Google-Suchmaschine, geben Sie möglicherweise nicht genau die Art von Begriffen an, nach denen Sie suchen, aber die KI muss in der Lage sein, einen Taschenrechner dazu zu bringen zu erraten, was Sie suchen, und dann liefert die KI einfach die besten Ergebnisse. Und dann Fuzzy-Logik, was genau ist das? KI trifft also Entscheidungen auf der Grundlage von Wahrheitsgraden und nicht auf binären Ein Beispiel: KI in Ihren Klimaanlagen, sie basieren lediglich auf der Temperatur, die auf dem Komfortniveau basiert. Sie wird also versuchen, ihre Entscheidung auf der Grundlage einer Temperatur zu treffen , die ihrer Meinung nach für den Menschen angemessen wäre , die ihrer Meinung nach für den Menschen angemessen , und nicht auf der Grundlage einer binären Entscheidung , ob sie die Klimaanlage einschalten oder sich selbst ausschalten soll die Klimaanlage einschalten oder , falls das Sinn macht. Und dann habe ich hier die Tabelle mit den wichtigsten KI-Prinzipien bereitgestellt , noch einmal die Beschreibung und dann das Beispiel. Sie können dieses Video also pausieren und es sich in Ihrer Freizeit ansehen, wenn Sie daran interessiert sind. Dann die wichtigsten wissenschaftlichen Konzepte, die in der künstlichen Intelligenz verwendet werden, und die lineare Algebra, die in Ihren Deep-Learning-Netzwerken verwendet wird in Ihren Deep-Learning-Netzwerken Sie haben Ihre Wahrscheinlichkeit und Statistiken. Natürlich muss KI dies nutzen, um Vorhersagen zu treffen, und dann Ihre neuronalen Netzwerke, die speziell für die Tiefenplanung verwendet werden speziell für die Tiefenplanung um das menschliche Gehirn nachzuahmen, und dann die genetischen Algorithmen, die durch die Evolution inspiriert Und dann endlich die Spieltheorie. Dies ist natürlich Entscheidungsfindung in einem Wettbewerbsumfeld. Was ist also die Verbindung von KI zur Kognitionswissenschaft? Nun, KI modelliert den menschlichen Zustand in Bereichen wie Wahrnehmung, Argumentation und Problemlösung Und dann kann das Studium der menschlichen Intelligenz auch dazu beitragen, die künstliche Intelligenz von selbst zu verbessern Beispielsweise ist Ihr Reinforcement-Learning von der Verhaltenspsychologie inspiriert, was natürlich belohnungsorientiertes Lernen ist. Dies sind also einige der Arten, wie KI tatsächlich mit dem Bereich der Kognitionswissenschaft in Verbindung gebracht wird . Was sind also die wichtigsten Erkenntnisse aus dieser Lektion? Nun, zunächst einmal ist KI in der Tat ein multidisziplinäres Gebiet, das Informatik , Mathematik, Kognitionswissenschaft, Philosophie und vieles mehr KI basiert auf Logik, Fähigkeiten, Optimierung und natürlich Lernen Und dann sind Daten, wie ich bereits sagte, der Treibstoff. Es ist die Blutlinie der künstlichen Intelligenz, und verschiedene Arten von KI-Systemen werden unterschiedliche Ansätze verwenden Und dann wird das Verständnis dieser grundlegenden wissenschaftlichen Konzepte dazu beitragen verstehen, wie KI auf einer viel tieferen Ebene funktioniert Danke, dass Sie sich die Lektion angesehen haben. Wir sehen uns in der nächsten Klasse. 9. Die Rolle von Daten in der künstlichen Intelligenz: Sprechen Sie jetzt über die Rolle von Daten in der künstlichen Intelligenz. Heute betrachte ich Daten gerne als den Lebensnerv von KI-Modellen, denn ohne Daten KI-Modelle nicht existieren oder sie werden sehr ineffizient sein Warum sind Daten also so wichtig für KI? KI-Modelle sind nur so gut wie die Daten, auf denen sie trainiert wurden. Je mehr qualitativ hochwertige Daten verfügbar sind, desto besser wird die KI Lage sein, Muster zu lernen und Vorhersagen zu treffen, die Genauigkeit und Effizienz im Laufe der Zeit zu verbessern und sich natürlich an neue Situationen anzupassen und ihre Entscheidungsfindung zu verfeinern. Und ziemlich sicher, dass Sie in der Informatik von dem Begriff Müll rein, Müll raus gehört haben. Wenn ein Programm so konzipiert wurde, dass es Fehler macht oder Probleme nicht genau löst, dann ist es im Grunde es Fehler macht oder Probleme nicht genau löst, genau das, was das Programm tun wird. Und das ist auch bei Modellen der künstlichen Intelligenz ziemlich ähnlich . Wenn sie mit sehr schlechten Daten trainiert wurden , raten Sie mal, was? Dieses Modell der künstlichen Intelligenz wird wahrscheinlich nicht intelligent sein. Es wird intelligent sein. Aus diesem Grund ist die Qualität der Daten, die zum Trainieren von Modellen verwendet werden, äußerst wichtig. Nun, das sind die Arten von Daten, die wir in der KI verwenden. Wir haben Ihre strukturierten Daten. Dies wären beispielsweise Daten, die in Tabellen, Zeilen und Spalten organisiert wurden . Sie haben also beispielsweise Ihre Daten aus Ihren Tabellen, Excel-Dateien, Datenbanken usw. Wir haben aber auch unstrukturierte Daten, denen es sich im Grunde um Rohdaten handelt, die nicht in ein festes Format passen Beispiele hierfür wären also Ihre Bilder, Ihre Videos, Ihr Audio und so weiter Und dann werden die letzten Daten Ihre halbstrukturierten Daten sein . Was genau ist das? Nun, es sind im Grunde Daten, die zwischen Ihren strukturierten Daten liegen. Und Ihre unstrukturierten Daten. Beispiele hier wären also Ihre JCNFles, XML, Sensorprotokolle Und wenn es um die Datenverarbeitung in KI geht, gibt es vier Hauptschritte Der allererste Schritt wäre in erster Linie die eigentliche Erfassung der Daten. Die KI sammelt also Daten aus einer Vielzahl von Quellen wie dem Internet, Ihren Datenbanken, Benutzerfeedback usw. Und sobald diese Daten gesammelt wurden, müssen sie bereinigt werden. Hier wird die KI also versuchen, beispielsweise Duplikate von Datensätzen zu entfernen , die möglicherweise bereits vorhanden waren Sagen wir zum Beispiel Kundendatensätze. Wenn die KI herausfindet, dass, Oh, dieser bestimmte Kunde zwei exakt gleiche Datensätze in unserer Datenbank hat , können Sie einfach einen davon entfernen. Das ist also im Grunde die nächste Prozessdatenreinigung. Und danach haben wir die Datenkennzeichnung. Hier können Ihre Daten also entweder kategorisiert oder mit Tags versehen werden. Ein Beispiel wäre also, E-Mails entweder als Spam oder nicht als Spam Und dann wäre der letzte Schritt Ihre Datentransformation, bei der die Daten in verwendbare Formate wie beispielsweise Ihre PDF-Dateien, Excel-Tabellen usw. konvertiert werden könnten . Das sind also die vier Stufen der Datenverarbeitung in KI. Nun, wenn es um Big Data selbst geht, gibt es vier Merkmale, bei denen wir uns der vier Vs bewusst sein müssen . Das erste wäre Volumen. Okay? Also im Grunde, je größer die Lautstärke, desto besser. Je mehr Daten Sie verwenden können , um Ihr KI-Modell zu trainieren, desto besser wird es sein. Als Nächstes wäre da die Geschwindigkeit, die Geschwindigkeit, mit der neue Daten generiert werden. Und in der Welt, in der wir heute leben, ist das natürlich extrem schnell. Als nächstes wäre da die Vielfalt, die verschiedenen Arten von Daten, auf denen das KI-Modell trainiert wird, seien es Audio, Video, Bilder, Text, Dateien, was auch immer. Und dann die letzte, möglicherweise wichtigste Wahrhaftigkeit, wie genau sind die tatsächlichen Daten selbst? Offensichtlich wird es keine Rolle spielen, ob das Volumen so groß und homogen ist. Wenn der Wahrheitsgehalt schlecht ist, diese Daten im Grunde nutzlos sein Aus diesem Grund denke ich, dass von den vier Vs die Wahrhaftigkeit meiner Meinung denke ich, dass von den vier Vs die nach am wichtigsten sein wird Wir stehen also vor mehreren Datenherausforderungen , wenn es um KI geht Wir haben Datenverzerrungen, bei denen ein KI-Modell anhand verzerrter Daten trainiert werden könnte Aus diesem Grund beginnt die KI, bestimmte Entscheidungen zu treffen, was zu unfairen oder diskriminierenden Entscheidungen führen kann Wir haben auch Datenschutz , weil ein KI-Modell an großen Datenmengen trainiert werden muss an großen Datenmengen trainiert werden Es besteht die Möglichkeit, dass sensible oder private Informationen in die KI eingespeist werden, um sie zu trainieren. Und das wird natürlich Bedenken in Bezug auf Sicherheit und Ethik aufwerfen. Wir haben die Datenqualität. Nochmals, sehr, sehr wichtig. Wie hochwertig sind die Daten , die verwendet wurden, um das KI-Modell zu trainieren? Wenn die Daten also schlecht oder von geringer Qualität sind, kann dies dazu führen, dass die KI schlechte Entscheidungen trifft, und dann natürlich auch die Datenspeicherung und -verwaltung. KI benötigt also enorme Speicherkapazitäten, und das hat zur Folge, dass auch eine effiziente Datenverarbeitung erforderlich sein wird . Es ist also nicht so einfach. nun etwas tiefer gehen, haben wir ethische und datenschutzrechtliche Bedenken wenn es um KI-Daten geht. Also Nutzerinhalte und Datenschutz, KI sollte keine personenbezogenen Daten ohne Zustimmung sammeln oder verwenden . Daran glauben wir gerne, und wir hoffen, dass dies bei KI der Fall sein würde, aber man weiß nie wirklich, dass es immer Bedenken hinsichtlich des Einsatzes von KI gibt . Und dann natürlich Voreingenommenheit und Fairness. Auch hier gilt: Wenn die Daten des KI-Modells, entschuldigen Sie mich, auf voreingenommenen Daten trainiert wurden, dann könnte die KI diskriminierende Entscheidungen treffen, und dann ist Transparenz sehr, sehr wichtig Nutzer sollten wissen, wie die KI-Systeme die Daten verwenden , und vielleicht ist es sogar wichtig, die KI in der Lage sein sollte, ihre Entscheidung darüber, warum sie etwas getan hat, auf eine bestimmte Art und Weise zu erklären ihre Entscheidung darüber, warum sie etwas getan hat, auf eine bestimmte Art und Weise Transparenz ist sehr, sehr, sehr So wurde KI beispielsweise bei der Gesichtserkennung wegen rassistischer Vorurteile kritisiert, wurde KI beispielsweise bei der Gesichtserkennung wegen rassistischer Vorurteile kritisiert die auf voreingenommene Trainingsdatensätze zurückzuführen Wir werden etwas später darüber sprechen. Und wenn es um KI bei der Personalbeschaffung geht. wurde also festgestellt , dass KI-basierte Einstellungssysteme bestimmte Gruppen diskriminieren , wenn sie auf voreingenommenen Daten trainiert Wie effizient ein KI-Modell ist, hängt wiederum werden. Wie effizient ein KI-Modell ist, hängt wiederum weitgehend von der Qualität der Daten ab, auf denen es trainiert wurde Wir haben also den Prozess, mit dem KI ihre Entscheidungsfindung anhand von Daten verbessern kann Die allererste Phase hier im Loop wäre also die eigentliche Trainingsphase, in der die KI entweder aus der Historie oder aus Daten lernt , die ihr zugeführt wurden. Und dann wird die KI nun in der Lage sein, auf der Grundlage dessen, was sie gelernt hat, Vorhersagen zu treffen . Und wenn sie dann eine Vorhersage macht, können die Benutzer der KI oder sogar den Entwicklern Feedback geben . Sie können der KI sagen, dass, Hey, Sie haben die Antwort richtig verstanden oder dass die Vorhersage, Sie haben die Antwort richtig verstanden oder dass die die Sie gemacht haben, tatsächlich falsch war. Und weil die KI das Feedback vom Benutzer erhalten hat, durchläuft sie erneut eine Umschulungsphase, um auf der Grundlage des neuen Feedbacks zu lernen , das der Benutzer ihr gegeben hat. So durchläuft sie quasi diese ständige Schleife des Versuchs, sich zu verbessern. Wie sieht also die Zukunft der Daten in der KI aus? Föderiertes Lernen, bei dem KI-Modelle anhand von Benutzerdaten trainieren, ohne die Daten an einen zentralen Server zu übertragen, wodurch der Datenschutz verbessert wird, und dann synthetische Daten, bei denen die KI selbst möglicherweise künstliche Datensätze generieren Wenn echte Datensätze nicht verfügbar sind. Und dann der letzte hier, der erklärbare AI DX AI, sehr, sehr wichtig Wo die KI in der Lage sein sollte, den Grund zu erklären , warum sie bestimmte Entscheidungen getroffen hat Dies wäre ein großer Fortschritt in Bezug auf die Transparenz beim Einsatz von KI. Einige wichtige Erkenntnisse: Daten sind die Grundlage von KI. Ohne sie kann KI nicht lernen oder effektiv funktionieren. Natürlich könnte KI strukturiert , unstrukturiert oder halbstrukturiert lernen. Und verbessern Big Data verbessert natürlich die Leistung von KI, aber Sie stehen vor Herausforderungen wie Datenschutz, Voreingenommenheit und so weiter. Und dann sind ethische Überlegungen wichtig, wenn es um den Umgang mit Daten in KI-Systemen geht. Und schließlich verbessert sich KI durch unsere Feedback-Schleifen kontinuierlich . Das ist also ein Dankeschön, dass du dir das Video angesehen hast. Wir sehen uns in der nächsten Klasse. 10. Algorithmen und Modelle in künstlicher Intelligenz: Willkommen zurück. Schauen wir uns nun die verschiedenen Arten von Algorithmen und Modellen an , die in der Welt der KI verwendet werden. Aber zunächst, was genau ist ein Algorithmus? Was ist ein Modell? Algorithmen sind im Grunde vordefinierte Regeln , anhand derer ein KI-Modell Daten verarbeiten kann. Aber KI-Modelle selbst, sind einfach trainierte Versionen von Algorithmen, die in der Lage sind, Entscheidungen und vielleicht sogar Vorhersagen auf der Grundlage neuer Daten zu Entscheidungen und vielleicht sogar treffen. Zeit werden sich KI-Modelle also verbessern, weil sie ständig auf der Grundlage von Historie, Benutzerfeedback und vielem mehr lernen . Ein Beispiel: Ihr Spamfilter wird im Laufe der Zeit immer besser, Spamfilter wird im Laufe der Zeit immer besser weil er in der Lage ist, aus früheren Spam-E-Mails und vielleicht sogar aus E-Mails zu lernen früheren Spam-E-Mails und vielleicht sogar aus E-Mails , die er fälschlicherweise als Spam identifiziert hat. Mit der Zeit wird er sich verbessern. Aber welche Arten von Algorithmen haben wir? Wir haben die regelbasierte oder Ihre symbolische KI , die Ihre vordefinierten Regeln und logischen Bedingungen verwendet. Also im Grunde ist es ziemlich starr, ist ja, nein, ist nein, ja, kann nicht nein sein, weißt du, solche Sachen. Es wird also bei sehr strukturierten Problemen gut funktionieren, aber diese Art von Algorithmen wird mit Unsicherheiten zu kämpfen haben. Einer der besten Fälle, in denen diese Art von Algorithmen verwendet werden, wäre Ihre medizinische Diagnostik. Eine andere Art von Algorithmus wären natürlich Deep Learning und neuronale Netze. Diese verwenden mehrschichtige künstliche neuronale Netze und eignen sich natürlich hervorragend für komplexe Aufgaben wie Spracherkennung, Gesichtserkennung usw. Und natürlich verfügen sie über eine umfangreiche Bilderkennungs-KI. Sie nutzen Deep Learning, um Bilder identifizieren und auch Text generieren zu können Bilder identifizieren und auch Text generieren Nun, maschinelles Lernen, darüber haben wir bereits gesprochen. Sie lernen Muster aus Daten, anstatt strengen Regeln zu folgen. Diese Art von Algorithmen sind also ein bisschen mehr, sie sind weniger starr in ihrem Ansatz. Wir haben also die verschiedenen Lerntypen. Sie haben beaufsichtigtes Lernen, unbeaufsichtigtes Lernen und natürlich Reinforcement-Learning Wir haben bereits über sie gesprochen. Und dann die gängigen KI-Algorithmen und die Anwendung. Also als Beispiel, Ihre Entscheidungsbäume, das ist ein Beispiel für einen Algorithmus. Verwenden Sie überwachtes Lernen, und Sie haben sie in Ihrer Betrugserkennung, Ihrer medizinischen Diagnose. Sie haben das, was wir die Support-Vektor-Maschinen nennen , Ihre SVMs Sie nutzen auch überwachtes Lernen. Sie finden sie in der Textklassifizierung, Handschrifterkennung und vielem mehr Und dann bedeutet K Clustering. Diese verwenden unbeaufsichtigtes Lernen. Sie finden sie hauptsächlich in Marktsegmentierung und der Erkennung von Anomalien Sie haben Ihre neuronalen Netzwerke, Deep Learning. Natürlich wird dabei überwachtes Lernen verwendet, und Sie haben sie in Ihrer Bilderkennung, Sprache-zu-Text-Übertragung usw. und dann in Ihren genetischen Algorithmen, die Optimierung verwenden, und das Optimierung verwenden, und KI-gesteuertes Design Evolutionary Computing. Was genau ist also der Trainingsprozess für ein KI-Modell, typischerweise sechs Schritte. Der erste Schritt ist immer die Datenerfassung. Nochmals, ich habe das schon oft gesagt, Daten sind das Lebenselixier eines KI-Modells Das KI-Modell benötigt die Daten, um zu lernen und mit dem Training zu beginnen Sobald die Daten gesammelt wurden, haben wir jetzt eine Datenvorverarbeitung bei der die Daten bereinigt und formatiert werden Danach beginnt das Modell auf der Grundlage der bereitgestellten Daten zu trainieren . Und dann wird das Modell jetzt evaluiert. Es wird mit neuen Arten von Daten getestet. Es könnte also wie eine Prüfung sein, ein Test, nur um zu sehen, wie gut die KI abschneiden wird. Und wenn sie gut abschneidet, wird die KI dann natürlich in der realen Welt eingesetzt. Und natürlich wird sich die KI im Laufe der Zeit ständig verbessern, wird sich die KI im Laufe der Zeit ständig weil sie sich anpassen und im Laufe der Zeit lernen kann. Vor diesem Hintergrund stellt sich die Frage, wie genau ein Algorithmus ausgewählt wird? Es gibt verschiedene Typen. Also wie entscheiden Entwickler, wie entscheiden die Unternehmen, welchen Algorithmus sie verwenden , wenn sie versuchen, ihr Modell zu trainieren Hier spielen also mehrere Faktoren eine Rolle. An erster Stelle steht natürlich die Datenverfügbarkeit. Einige Modelle, wie Ihr tieferes Lernen, benötigen große Datenmengen, während Entscheidungsbäume beispielsweise besser mit kleinen Datenmengen funktionieren Und dann die Genauigkeit , die erforderlich ist. Wenn Sie möchten, dass ein KI-Modell in der Lage ist, ziemlich genaue Vorhersagen zu treffen, dann könnten Sie sich natürlich ziemlich genaue Vorhersagen zu treffen, dann könnten Sie sich neuronale Netze ansehen, die eine höhere Genauigkeit bieten können . Aber dafür ist natürlich auch mehr Rechenleistung erforderlich . Und dann Interpretierbarkeit. Entscheidungsbäume sind also sehr einfach zu verstehen, während Deep-Learning-Netzwerke recht komplex zu verstehen sein können recht komplex zu verstehen sein Und es gibt auch Situationen , in denen eine bestimmte Art von KI-gestütztem System einen oder mehrere Algorithmen verwenden könnte. In Ihrem System zur Erkennung könnte es beispielsweise einen Entscheidungsbaum zur Interpretierbarkeit verwenden und dann Deep Learning einsetzen, um komplexe Muster erkennen zu können komplexe Muster erkennen zu Was sind also die Herausforderungen, die KI-Algorithmen und -Modelle Wir haben über Verzerrungen bei Trainingsdaten gesprochen, bei denen die Daten zum Trainieren des Algorithmus verwendet werden oder das Modell von geringer Qualität sein könnte. Dies führt natürlich dazu, dass das Modell schlechte Entscheidungen trifft, viele Fehler macht und dann Rechenleistung benötigt, insbesondere wenn der Deep-Learning-Algorithmus benötigt wird Das bedeutet natürlich, dass eine Menge leistungsfähiger Rechenressourcen benötigt werden und dann auch komplexe Modelle wie neuronale Netze erklärbar komplexe Modelle wie Sie funktionieren fantastisch, sie sind extrem leistungsfähig, aber es kann ziemlich schwierig sein, sie zu verstehen und zu erklären Was sind also die zukünftigen Trends in den Modellen der künstlichen Intelligenz Laufe der Jahre? Erklärbare KI. Wir haben bereits darüber gesprochen, wo KI in der Lage sein wird, die von ihr getroffenen Entscheidungen zu erklären Dies wird natürlich die Transparenz verbessern. Und dann hybride KI-Modelle. Dies ist ein sehr, sehr interessantes Konzept, bei dem wir verschiedene KI-Ansätze kombinieren können , um eine bessere Leistung zu erzielen. Und dann haben wir auch den neuesten Stand der künstlichen Intelligenz. Im Grunde genommen KI-Modelle, die auf kleinen Geräten wie Smartphones laufen und in Echtzeit verarbeitet werden können. Und dies sind einige der Trends, auf die wir uns in der Welt der KI freuen können . Um nur einige wichtige Erkenntnisse zusammenzufassen : Zunächst verwendet KI regelbasiertes maschinelles Lernen und Dippling-Algorithmen für Überwachtes, unbeaufsichtigtes und verstärkendes Lernen sind wichtige Typen des maschinellen Lernens wichtige KI-Modelle müssen natürlich trainiert, evaluiert und kontinuierlich gelernt werden, um sich zu verbessern Und schließlich hängt die Wahl des richtigen Algorithmus von der Genauigkeit, Datenverfügbarkeit und den Rechenanforderungen ab Vielen Dank, dass Sie sich das Video angesehen haben. Wir sehen uns in der nächsten Klasse. 11. KI-Fähigkeiten und Grenzen: Bevor wir dieses Modul zusammenfassen, möchte ich, dass wir uns die Möglichkeiten und Grenzen der KI, wie wir sie kennen, ansehen die Möglichkeiten und Grenzen der KI, wie wir sie kennen, , und zwar zunächst mit den Fähigkeiten Was genau kann KI leisten? Nun habe ich hier mehrere Funktionen sowie die Beschreibung und die Beispiele aufgeführt. Ich werde einige davon durchgehen. Lassen Sie uns mit der Automatisierung sich wiederholender Aufgaben beginnen. Nun, dies ist ein Bereich, in dem sich KI ausgezeichnet hat sei es im Finanzwesen oder bei Datensätzen oder in meinem Bereich der Cybersicherheit. Wir verwenden KI jetzt, um sich wiederholende Aufgaben auszuführen Es kann also sich wiederholende Aufgaben mit hoher Genauigkeit und Geschwindigkeit ausführen , und das sehen wir bei Chat-Boards, automatisiertem Kundensupport usw. Und wenn es dann um prädiktive Analysen geht, ist KI in der Lage, zukünftige Trends auf der Grundlage vergangener Daten vorherzusagen In diesem Szenario ist es also sehr, sehr wichtig, dass die KI die richtigen Daten erhält , mit denen sie ziemlich bis ziemlich gute genaue Vorhersagen für die Zukunft treffen kann ziemlich gute genaue Vorhersagen für die Zukunft Das haben wir zum Beispiel bei Börsenprognosen gesehen, aber auch bei Wettervorhersagen und ähnlichen Dingen Und wenn es dann um Bild- und Spracherkennung geht, ist KI in der Lage, Text, Objekte und Geräusche zu identifizieren Es ist noch nicht perfekt, aber wir werden es schaffen. Ich denke, KI leistet heute sehr gute Arbeit, wenn es darum geht, diese zu identifizieren. Und wir können Beispiele für selbstfahrende Autos in Ihrer Sicherheitsüberwachung sehen selbstfahrende Autos in und so weiter. Und schließlich, wenn es um Robotik und Automatisierung geht, kann KI Roboter für präzises Arbeiten antreiben , und wir haben sie beispielsweise im Gesundheitswesen mit robotergestützter Chirurgie sowie in Industrierobotern Sie können sich also natürlich die Folie ansehen, die ich Ihnen vorstellen werde, und sich die anderen Funktionen in der ansehen, aber ich habe auch eine Tabelle bereitgestellt, in der die Einschränkungen aufgeführt sind, die KI nicht bieten kann Als Beispiel fehlt es also an echtem Verständnis. KI kann also Daten verarbeiten, aber Sie sehen, sie versteht Daten nicht so wie Sie und ich. Hoffentlich spreche ich auch mit einem Menschen. Ich scherze nur. Also das ist die Sache, ja, KI, sie sagt die Daten Sie kann mit den Daten umgehen. Es kann die Daten verarbeiten, aber es versteht nicht wirklich, was die Daten eigentlich sind. Es verarbeitet nur die Daten und liefert uns Ergebnisse, oder? Und wenn es dann um echte Kreativität und Innovation geht , kann KI zwar Inhalte generieren, aber es wird ihr immer die menschliche Kreativität, der menschliche Touch fehlen . ist also auch von Daten abhängig KI ist also auch von Daten abhängig und stützt sich immer noch stark auf sehr große Datenmengen. Und natürlich sprechen Sie von den hohen Rechenkosten. Das Training sehr komplexer KI-Modelle erfordert also sehr, sehr teure Hardware Und natürlich die allgemeinen Grenzen der Intelligenz, ja, wir können KI haben, die Menschen im Schach schlagen kann, aber sie versagt immer noch am gesunden Menschenverstand oder an Argumentation Auch hier können Sie sich die Folie mit den anderen Einschränkungen ansehen die Folie mit den anderen Einschränkungen Um die Stärke von KI zusammenzufassen: KI kann mit großen Datenmengen umgehen Tatsächlich ist sie überragend, ich gedeihe, wenn sie mit großen Datenmengen konfrontiert wird Und natürlich Geschwindigkeit und Effizienz. KI hat Menschen bei Rechenaufgaben übertroffen und das ist nicht einmal lustig Und dann natürlich 27 Verfügbarkeiten. Hagibty wird dir niemals sagen, dass es eine Mittagspause braucht oder dass es schlafen muss . Das wird niemals passieren Und dann können KI-Lösungen für Skalierbarkeit natürlich sehr, sehr schnell weltweit eingesetzt werden, ohne dass menschliche Einschränkungen auftreten. Die Zusammenfassung der Schwächen, und ich weiß, das mag sehr, sehr hart klingen, aber der KI fehlt es immer noch an gesundem Menschenverstand. Wenn Sie KI in eine unerwartete oder ungewöhnliche Situation bringen , wird sie Probleme haben, weil sie mit Mehrdeutigkeit zu kämpfen hat Nun, KI kann menschliches Urteilsvermögen nicht ersetzen, okay? Denken Sie also daran, dass KI, egal wie intelligent sie werden mag , kein Herz hat. Sie hat keine Emotionen. KI kann nicht mitfühlen, sie kann sich nicht einfühlen. Ich kann nicht wütend oder traurig oder glücklich werden. Und als solches wird es an ethischen Überlegungen mangeln. Und natürlich hängt KI von Trainingsdaten ab. Das Volumen und die Qualität der Trainingsdaten werden entscheiden, wie effizient das KI-Modell tatsächlich ist. Also für den Vergleich hier, Mensch gegen KI, ich habe die Ideenliste. Also Kreativität. Menschen natürlich, sehr, sehr kreativ. KI ist begrenzt. Äh, Entscheidungsfindung, KI wird ihre Entscheidung ausschließlich auf der Grundlage ihrer Fähigkeit treffen, Muster zu erkennen. Wir als Menschen können Entscheidungen zwar auf der Grundlage von Erfahrung, Intuition und auch der Vergangenheit Und dann Lernfähigkeit, wir können neue Fähigkeiten sehr, sehr flexibel erlernen Dafür ist unser Gehirn da. KI muss zwar neu geschult werden, um neue Fähigkeiten zu erwerben, und dann natürlich Vorurteile, wir können uns von Emotionen beeinflussen lassen, während KI Vorurteile nur aus den Daten erben kann , die ihr gegeben Wenn die Daten frei von Vorurteilen sind, wird die KI auf keinen Fall voreingenommen werden Und natürlich ist die Geschwindigkeit der Verarbeitung viel langsamer als die KI, während unsere KI viel, viel schneller ist als wir, wenn es um unsere strukturierten Aufgaben geht um unsere strukturierten Aufgaben wichtigsten Erkenntnisse: KI ist extrem leistungsfähig, aber sie hat natürlich auch ihre Grenzen Sie zeichnet sich durch Automatisierung und Vorhersage aus, aber es wird ihr immer an Vernunft auf menschlicher Ebene mangeln Und dann hängt KI sehr stark von Daten und Algorithmen ab. Schlechte Daten führen also zu ungenauen Ergebnissen. Bias-Daten werden dazu führen, dass die KI voreingenommene Entscheidungen trifft, und dann wird KI niemals in der Lage sein, menschliches Urteilsvermögen zu ersetzen Und wir hoffen, dass die Zukunft der KI ethischere, erklärbarere und auch anpassungsfähigere Modelle beinhalten wird erklärbarere und auch anpassungsfähigere Das ist also so ziemlich die Zusammenfassung. Vielen Dank, dass Sie diese besondere Lektion gelernt haben. Wir sehen uns in der nächsten Klasse. 12. Abschnittsvorschau – Grundlagen des maschinellen Lernens: Willkommen zum nächsten Modul, den Grundlagen des maschinellen Lernens. Und wie immer spiele ich Ihnen einen Clip aus einem Film Lehnen Sie sich zurück, entspannen Sie sich, genießen Sie den Clip und wir sehen uns am Ende. Es sind sechs oben. Es gibt keine Möglichkeit, das Spiel zu gewinnen. Das weiß ich. Das weiß es nicht, es hat nicht gelernt. Soll ich dafür sorgen, dass es sich von selbst spielt? Spin Learn, verdammt. A. Christ James Game, der einzige Gewinnerfilm ist heute nicht. Okay, willkommen zurück. Nun, dieser Clip stammt aus dem Film War Games, der im Jahr 1983 veröffentlicht wurde. Und der Grund, warum ich mich für diesen speziellen Clip entschieden habe , ist , dass er eines der wichtigsten Konzepte , wie KI-Modelle lernen, perfekt demonstriert , und zwar durch den Prozess von Versuch und Irrtum. Nun werdet ihr sehen , dass das KI-System Joshua in dem Clip ein Spiel spielt, in dem es gegen sich selbst tickt Das Spiel endet in einer Pattsituation und dann spielt es die Spiele immer wieder gegen sich selbst wieder Beachten Sie jedoch, dass jedes Mal, wenn es seine Strategie ändert, die Spiele immer wieder in einem veralteten Zustand enden Irgendwann entscheidet es jetzt, wissen Sie was, bevor ich die Atomraketen starte Oh, übrigens, ich hätte dir etwas Kontext geben sollen. In der Szene soll es eine sehr ernste Szene sein, weil das System, Joshua, das KI-Modell, die Kontrolle übernimmt oder kurz davor ist, die Kontrolle über das Atomraketenwaffensystem der Vereinigten Staaten zu übernehmen Atomraketenwaffensystem der Vereinigten Staaten . Und natürlich geraten die Leute in Panik. Sie haben Angst, dass es Atomraketen gegen die Sowjetunion abfeuern wird Atomraketen gegen die Sowjetunion Sovnia wird darauf reagieren, und natürlich wir alle sterben Also entscheidet Joshua das, weißt du was? Bevor ich diese Atomraketen starte, sollte ich vielleicht verschiedene Strategien ausprobieren, um zu sehen , wer in einem Atomkrieg tatsächlich gewinnen würde. Die erste Strategie besteht also darin, Raketen von den Vereinigten Staaten in die Sowjetunion zu starten, aber dann wird ihr klar, dass, okay, diese Strategie nicht funktionieren wird weil es keinen Gewinner geben wird Dann versucht sie eine andere Strategie, bei der die Sowjetunion die Raketen zuerst abfeuert Aber dann wird ihr klar, dass, okay, diese Strategie auch nicht funktioniert. Es gibt keinen Gewinner. Und dann probiert es Hunderte verschiedener anderer Strategien aus. Und jedes Mal wird ihr klar, dass es keinen Gewinner geben wird Schließlich kann es zu dem Schluss kommen, dass der beste Weg, dieses spezielle Spiel zu gewinnen , darin besteht, überhaupt nicht zu spielen So konnte sich die KI, Joshua, selbst etwas beibringen. Sie hat durch Versuch und Irrtum gelernt. Jedes Mal, wenn es eine Strategie ausprobierte und das Ergebnis negativ war, ging es zurück, passte seine Technik an, passte seine Strategie neu an und Und als das Ergebnis dasselbe negative war, ging die Pattsituation wieder zurück, wir finden noch einmal eine Strategie, und so lernen KI-Systeme im Grunde So bringen sie sich das selbst bei. Sie versuchen etwas. Oh, die Antwort war nicht richtig. Lass mich zurückgehen. Lassen Sie mich eine andere Strategie ausprobieren. Oh, das funktioniert nicht. Lass mich zurückgehen. Lass mich eine andere Strategie ausprobieren und so weiter. , das Konzept von Versuch und Irrtum Ich glaube, das Konzept von Versuch und Irrtum wurde in diesem speziellen Clip sehr betont. Ich hoffe, Ihnen hat diese Einführung in die Welt der Maschinen und Grundlagen gefallen . Lassen Sie uns nun mit der nächsten Lektion fortfahren. 13. Wie Maschinen in der Praxis lernen: Okay, schauen wir uns jetzt die nächste Lektion an. Wir werden darüber sprechen, wie Maschinen in der Praxis lernen, wie sie trainiert werden Der gesamte Prozess des maschinellen Lernens umfasst also drei Schlüsselkomponenten Sie haben die Daten, die Modelle und natürlich das eigentliche Training selbst. Die andere Sache beim maschinellen Lernen ist dass sich Maschinen im Gegensatz zur herkömmlichen Programmierung, bei der der Code explizit geschrieben wird und die Programme genau so ausführen müssen, wie sie codiert sind bei der der Code explizit geschrieben wird und die Programme genau so ausführen müssen, wie sie codiert sind, Dinge nicht auswendig lernen Stattdessen sind sie in der Lage, Muster in den Daten zu finden , mit denen sie arbeiten Mit anderen Worten, maschinelles Lernen beinhaltet einen viel flexibleren Prozess , durch den die Modelle lernen und sich im Laufe der Zeit verbessern können . Jetzt dreht sich in der gesamten Lernphase alles darum, dass die Maschine oder das Modell versucht, ihre Prozesse anzupassen oder neu einzustellen, damit sie mit der Zeit besser werden können Nun, genau wie bei normalen Schülern bin ich mir ziemlich sicher, dass Sie in der Vergangenheit schon einmal Prüfungen abgelegt haben, bevor Sie diese Prüfung am College oder in der High School oder wo auch immer abgelegt haben, ich bin mir ziemlich sicher, dass Sie zuerst gelernt haben müssen, oder? Vielleicht hast du einen Kurs besucht, einen Online-Kurs, oder vielleicht hast du ein Lehrbuch gelesen, oder? Während Sie gelernt und sich auf die Prüfung vorbereitet haben, bin ich mir ziemlich sicher, dass Sie bestimmte Arten von Quizfragen und Tests gemacht haben und dann letztendlich die Abschlussprüfung abgelegt haben, und dann haben Sie natürlich Ähnlich ist es auch beim maschinellen Lernen. Zunächst haben sie Daten zur Verfügung gestellt, die sie untersuchen werden. Und dann wird es diese spezielle Phase geben , in der sie getestet werden , nur um zu sehen, ob sie tatsächlich richtig und richtig lernen. Und dann werden sie letztendlich mit neuen Datentypen getestet, die sie noch nie zuvor gesehen haben, nur um zu testen, wie sie in der realen Welt abschneiden werden. Also ist es auch beim maschinellen Lernen ziemlich ähnlich. Die zentrale Idee hier ist nun, dass maschinelles Lernen nicht das Auswendiglernen von Daten beinhaltet Stellen Sie sich einen Spamfilter vor, richtig. Stellen Sie sich vor, Sie versuchen, künstliche Intelligenz für einen Spamfilter zu entwickeln . Es gibt nur so viele Arten von Spamfiltern , dass sich die Maschine merken kann Okay, das ist eine Spam-E-Mail. Das ist eine Spam-E-Mail. Das ist eine Spam-E-Mail und so weiter. Aber was ist, wenn dieses spezielle Modell mit einer neuen Art von Spam-E-Mail konfrontiert wird, die möglicherweise auf eine etwas andere Art und Weise präsentiert wird? Das Modell wird scheitern, weil es diese neue Version der Spam-Mail nicht auswendig gelernt hat diese neue Version der Spam-Mail nicht auswendig gelernt Deshalb ist es immer besser, dass Maschinen und Modelle durch den Prozess der Mustererkennung lernen, okay, auf diese Weise sind sie flexibler Es gibt also dieses Ding namens Feature-Auswahl, oder? Bei der Feature-Auswahl sucht die Maschine oder das Modell einfach nach den wichtigsten Teilen der Daten. Was genau sind Funktionen? Es gibt relevante Informationen , die dem Modell oder der Maschine helfen würden , Entscheidungen zu treffen, oder? Die Auswahl der richtigen Merkmale trägt also dazu bei, dass das Modell seine Genauigkeit verbessert. Und natürlich minimiert das Entfernen unnötiger Merkmale auch unnötiger Merkmale auch Fehler und trägt auch dazu bei das Modell seine Genauigkeit verbessert . Ich habe hier eine Analogie zum Verkauf eines Hauses angeführt . Nehmen wir an, Sie versuchen zum Beispiel, ein Modell oder eine künstliche Intelligenz zu bauen , die Vorhersagen darüber treffen kann, wie viel ein Haus kosten würde Die richtige Art von Funktionen, über die Sie hier sprechen werden, wäre welcher Standort, okay? Wo befindet sich das Haus? Und dann lass uns darüber sprechen, wie groß das Haus ist, okay, wie viele Schlafzimmer es hat. Dies sind die wichtigsten Funktionen, an denen das Modell trainiert werden sollte. Die unnötigen Funktionen hier wären Dinge wie die Farbe des Fernsehers im Schlafzimmer, oder? Solche Dinge, welche Farbe hat der Boden im Badezimmer? Das sind zum Beispiel sehr, sehr unnötige Funktionen, die dem Modell nicht helfen, eine gute Vorhersage zu treffen. Darüber, wie viel das Haus tatsächlich kosten würde. Es gibt also auch diesen Prozess, der als Optimierung bezeichnet wird. der Optimierung werden die Modelle im Laufe der Zeit angepasst , um die Genauigkeit zu verbessern. Nun, hier gibt es ein Schlüsselkonzept , die Kostenfunktion. Die Kostenfunktion ist im Grunde der Wert, der bestimmt, wie weit das Modell bei der tatsächlichen Vorhersage entfernt war. Also zurück zum Verkauf des Hauses, richtig? Stellen Sie sich vor, das Modell sagt voraus, dieses Haus für 500.000$ verkauft wird Aber stellen Sie sich vor, das Haus würde irgendwann für 750.000$ verkauft Die Kostenfunktion läge hier natürlich bei 250.000$. Im Laufe der Zeit wird das Modell also durch den Optimierungsprozess immer besser und besser werden und versuchen, die Kostenfunktion zu reduzieren Vielleicht wird das Haus beim nächsten Mal, statt 500 , vielleicht 700.000, wieder für 750 verkauft, aber jetzt beträgt die Kostenfunktion nur noch 50.000 Im Laufe der Zeit hat sich das Modell also durch den Optimierungsprozess tatsächlich verbessert Wie verbessert sich das Modell also tatsächlich gut? Es wird seine internen Parameter aktualisieren um die Vorhersagefehler zu reduzieren, und natürlich wird es auch aus seinen Fehlern lernen . Auf diese Weise werden sich die Modelle im Laufe der Zeit verbessern. Es gibt auch diese Technik, die als Gradientenabstieg bezeichnet wird. Dies ist der eigentliche Lernprozess selbst, und es ist eine Technik , die dem Modell hilft , sich Schritt für Schritt anzupassen. Die ganze Idee dabei ist, dass jedes Mal, wenn das Modell versucht, seine Kostenfunktion zu verbessern und zu reduzieren, es keine großen Schritte unternimmt. Das wird nicht, es ist nicht so, als würde es sehr, sehr schnell eine massive Verbesserung erfahren. Es braucht Zeit, stetig, stetig, stetig, richtig? Stellen Sie sich das so vor, als würden Sie den tiefsten Punkt auf einem Berg finden . Das Modell passt sich so lange von selbst an, bis es die besten Einstellungen gefunden hat. Deshalb habe ich Ihnen hier noch einmal ein Beispiel mit dem Spamfilter gegeben . Der Spamfilter sagt also Spam für E-Mails voraus. Aber nehmen wir zum Beispiel an, es ist eigentlich kein Spam, es ist eine echte E-Mail Zeit wird das Model also erkennen, oh, okay, also diese Art von E-Mails die ich zuvor als Spam gekennzeichnet habe, weiß ich jetzt, dass sie kein Spam mehr sind. Es sind eigentlich Schreib-E-Mails, die legitimen E-Mails. Aber das sind es, okay, ich weiß jetzt, dass es sich tatsächlich um Spam handelt, und so wird das Modell Schritt für Schritt, schrittweise seine Fähigkeit verbessern, festzustellen, ob es sich bei einer E-Mail um Spam handelt oder nicht. den Lernraten ist es also sehr, sehr wichtig, dass das Modell während der Lernphase tatsächlich das richtige Gleichgewicht findet während der Lernphase tatsächlich das richtige Gleichgewicht , denn wenn es zu schnell lernt, wird es nie die richtigen Antworten und Lösungen finden . Aber wenn es dann zu langsam lernt, wird es ewig dauern, bis es die richtige Antwort findet. Stellen Sie sich das so vor, als würden Sie versuchen, den Frequenzknopf eines Radios zu drehen, richtig? Vielleicht versuchen Sie, die Frequenz Ihres Lieblingsradiosenders zu finden die Frequenz Ihres Lieblingsradiosenders Wenn Sie den Knopf viel zu schnell drehen, werden Sie nie die tatsächliche Frequenz finden , weil Sie zu schnell sind Aber stellen Sie sich jetzt vor, Sie drehen den Knopf sehr langsam, sehr langsam, es wird ewig dauern, bis Sie die richtige Frequenz gefunden Es muss also das richtige Gleichgewicht zwischen dem Lernen und dem richtigen Modell bestehen. Warum lernen also manche Modelle besser als andere? Nun, alles hängt von der Qualität der Daten ab. Denken Sie daran, dass Daten so wichtig sind, wenn es um das Training von Modellen und Maschinen geht. Die Qualität und Quantität der Daten werden hier also eine Schlüsselrolle spielen. Und dann müssen die Modelle natürlich darin geschult werden, die richtigen Merkmale zu finden, wenn sie versuchen, mit Daten zu arbeiten, Vorhersagen zu treffen oder Antworten auf Probleme zu finden. Und dann auch die Komplexität des Modells. Stellen Sie sich vor, Sie würden ein sehr, sehr einfaches Modell für maschinelles Lernen oder KI erstellen. Nun, es gibt nur eine begrenzte Anzahl von Aufgaben , die es ausführen kann. Es ist möglicherweise nicht in der Lage, komplexe Aufgaben auszuführen. Aber stellen Sie sich vor, Sie würden tatsächlich ein Modell erstellen, das viel zu komplex ist , dann könnten die Rollen oder die Art von Aufgaben, die Sie dem Modell geben , einfach verschwendet werden , weil das Modell für etwas weitaus Komplexeres gebaut wurde. Und dann auch die Optimierungseffizienz Ein gut abgestimmtes Modell trainiert schneller und lässt sich viel besser generalisieren Das sind also die Schlüsselfaktoren dafür, dass bestimmte Modelle funktionieren und viel besser trainiert werden als unsere anderen Modelle. Hier sind einige wichtige Erkenntnisse : Zuallererst lernen Ihre Modelle für maschinelles Lernen, indem Perimeter anpassen, um Fehler, Training, Validierung oder Tests zu minimieren Training, Validierung Sie stellen sicher, dass sich die Modelle gut verallgemeinern lassen. Und dann ist die Auswahl der Funktionen, wie ich schon sagte, sehr, sehr wichtig. Sie ist entscheidend. Müll rein, Müll raus. Wenn die Modelle mit den falschen Funktionen trainiert werden , schneiden sie sehr, sehr schlecht ab. Und dann verbessern Optimierungstechniken wie die Benotungsabstufung die Modellgenauigkeit im Laufe der Zeit, und natürlich sorgt ein ausgewogenes Lerngewicht reibungsloses Lernen Das war's also für maschinelles Lernen. Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 14. Überwachtes Lernen in Aktion: Lassen Sie uns nicht über überwachtes Lernen sprechen. Also, was genau ist dieser Brunnen? Dabei handelt es sich um eine Art von maschinellem Lernen, bei der das Modell mithilfe von beschrifteten Daten trainiert wird. Was genau sind also beschriftete Daten? Das bedeutet einfach, dass jedes Trainingsbeispiel oder alle Trainingsdaten, mit denen das Modell trainiert wird sowohl die Eingabe, also die Merkmale, als auch die korrekte Ausgabe, also die eigentliche Bezeichnung, beinhaltet die Merkmale, also die Merkmale, als auch die korrekte Ausgabe, . Die ganze Idee hier ist also das Modell in der Lage ist, Vorhersagen zu treffen und Beziehungen zwischen den Eingaben und den Ausgaben zu finden . Wie genau passiert das also? der ersten Phase werden die Daten gesammelt und gekennzeichnet. Zurück zu meinem Lieblingsbeispiel, dem Spamfilter. der ersten Phase könnten Tausende von E-Mails In der ersten Phase könnten Tausende von E-Mails gesammelt und dann etikettiert werden. Wir werden also E-Mails haben , die Spam sind, und dann E-Mails, die Spam-E-Mails sind, die tatsächlich legitim sind, oder? Und dann wird das Modell trainiert. Ich werde darin geschult, zu erkennen , welche E-Mails Spam sind und welche gewinnt. Und dann, in der dritten Phase, wird das Modell nun mit neuen Arten von E-Mails getestet , die es noch nie zuvor gesehen hat , um evaluiert zu werden. Und wenn es sehr gut abschneidet, wird es natürlich auch in der realen Welt eingesetzt. So funktioniert der gesamte Prozess tatsächlich. Wenn es um überwachtes Lernen geht, gibt es zwei Typen: Wir haben Klassifikation und wir haben Regression Was genau sind diese beiden? Bei der Klassifizierung weist das Modell hier eine Eingabe einer bestimmten Art von Kategorie zu. Es funktioniert am besten, wenn die Herausforderungen , Aufgaben oder Fragen diskrete Werte haben. Nehmen wir zum Beispiel an, dass die E-Mail in Ihrem E-Mail-Spamfilter entweder Spam oder legitim sein wird, ? Dazwischen gibt es nichts. Lass uns über deine Laborergebnisse sprechen, oder? Die Ergebnisse können entweder positiv oder negativ sein. Stimmungsanalyse, richtig, vielleicht war die Stimmung positiv oder negativ oder neutral Eine Klassifizierung ist also am besten, wenn die Werte der Ergebnisse tatsächlich diskret sind Sie haben sehr spezifische Arten von Werten. Nun, bei der Regression muss das Modell hier Vorhersagen treffen und nicht die tatsächlich richtige Antwort auf eine Aufgabe Nehmen wir zum Beispiel an, das Modell muss versuchen , die Verkaufskosten eines tatsächlichen Hauses vorherzusagen . Dabei werden Merkmale wie die Größe des Hauses und die Lage berücksichtigt Aber letztlich wird es immer noch eine Vermutung, eine Vorhersage treffen. Es weiß nicht mit Sicherheit, ob das Haus für den vorausgesagten Betrag verkauft wird , oder? Sie sprechen davon, die Veränderungen an den Aktienmärkten vorherzusagen, auch die Wetteränderungen, die Tagestemperaturen und solche Dinge Also bei Problemen oder Problemen, bei denen die Ausgabe kontinuierlich ist, wird Regression verwendet Um jetzt alles irgendwie abzurunden, möchte ich zu meinem Lieblingsbeispiel zurückkehren , dem Spamfilter ersten Phase haben wir also die Trainingsdaten, in denen Tausende von E-Mails gesammelt werden Sie werden als Spam und nicht als Spam eingestuft. Jetzt kommt die Feature-Extraktion. Denken Sie daran, dass die Merkmalsextraktion eine sehr, sehr wichtige Technik ist , um die Genauigkeit des Modells zu verbessern. Hier muss dem Modell also beigebracht werden, dass, okay, bestimmte Arten von Funktionen in Ihrem Spam, Sie sich ansehen sollten. Also Dinge wie zum Beispiel die verwendeten Keywords, der Titel der E-Mail-Reputation des Benutzers, das Versenden einer E-Mail. Dies sind die sehr wichtigen Merkmale , an denen das Modell trainiert werden muss, um festzustellen, ob es sich bei der E-Mail um Spam oder um eine legitime E-Mail handelt. Und dann wird das Modell natürlich, wie gesagt , trainiert. Und dann wird das Modell getestet. Eine neue E-Mail, die es noch nie zuvor gesehen hat, wird ihm vorgelegt. Und dann wird jetzt natürlich getestet, ob das Modell erkennen kann, ob es sich bei der E-Mail um Spam handelt oder nicht. Und natürlich wird sich das Modell durch kontinuierliches Lernen im Laufe der Zeit verbessern, da es immer mehr E-Mails untersucht. Was sind also die Herausforderungen und Grenzen des überwachten Lernens? Nun, zunächst einmal ist die Datenkennzeichnung ziemlich teuer. Es erfordert große Mengen an qualitativ hochwertigen Daten. Und bei diesem Problem der Überanpassung, bei dem das Modell, anstatt zu versuchen, zu verallgemeinern und Muster zu finden, letztendlich die Trainingsdaten auswendig lernt Und dann natürlich die Verzerrung in den Daten, die Sie jedes Mal finden werden Wenn die Daten, die dem Modell zur Verfügung gestellt werden, voreingenommen sind, wird das Modell nicht allzu gut funktionieren Und natürlich funktioniert überwachtes Lernen nicht gut mit unstrukturierten Daten Vielleicht stellen Sie also bereit, dass das Modell mit Bildern versehen ist , die keine Beschriftungen oder Rohdaten enthalten Überwachtes Lernen funktioniert nicht mit unstrukturierten Daten Die wichtigsten Erkenntnisse, um die Erkenntnisse zusammenzufassen Überwachtes Lernen lernt aus den Kennzeichnungsdaten, um Vorhersagen zu treffen werden bei der Klassifizierung verwendet, bei der Daten kategorisiert werden, und auch bei der Regression , wo sie unsere kontinuierlichen Werte vorhersagen und auch bei der Regression, wo sie unsere kontinuierlichen Werte vorhersagen. Zu den realen Anwendungen gehören Ihr Spam-Schutz, medizinische Diagnosen und Aktienprognosen, und zu den Herausforderungen gehören natürlich Datenverzerrungen, Datenanforderungen und natürlich alles, Danke, dass du dir das Video angesehen hast. Wir sehen uns in der nächsten Klasse, wo wir uns dann mit unbeaufsichtigtem Lernen (LCU) befassen unbeaufsichtigtem Lernen (LCU 15. Unbeaufsichtigtes Lernen und Mustererkennung: In der letzten Klasse haben wir über überwachtes Lernen gesprochen. Jetzt ist es an der Zeit, über unbeaufsichtigtes Lernen zu sprechen. Wenn sich überwachtes Lernen nun mit markierten Daten befasst, dann wird sich unbeaufsichtigtes Lernen natürlich mit markierten Daten befassen Die ganze Idee hier ist also, dass das Modell auf der Maschine versucht, Muster mit Daten zu finden, die nicht gekennzeichnet sind Nun, ich habe hier ein Beispiel gegeben , wo Sie ein Unternehmen haben, das Tausende und Abertausende von Kundendatensätzen hat, okay? Die Sache mit dem Modell hier ist, dass es nicht wissen wird, wer Kunde A oder Kunde B oder Kunde C oder Kunde D ist oder Kunde B oder Kunde C oder Kunde . Eine Sache könnte jedoch sein, dass es sich die Einkaufshistorie der Kunden ansehen und dann versuchen könnte , sie anhand ihrer Einkaufshistorie in verschiedene Kategorien zu gruppieren anhand ihrer Einkaufshistorie in verschiedene Kategorien . Wie viel sie ausgeben. Das Model könnte sich zum Beispiel die Kundendaten ansehen und entscheiden , wissen Sie was? Kunden, die mehr als 1.000$ auf einmal ausgegeben haben, Lassen Sie mich Kunden, die mehr als 1.000$ auf einmal ausgegeben haben, in die Kategorie mit hohen Ausgaben einteilen. Und dann gibt es vielleicht Kunden, die nur dann einkaufen, wenn es Rabatte gibt, oder? Vielleicht möchte es diese Art von Kunden in der Kategorie Clever oder, Sie wissen schon, in etwas Ähnlichem zusammenfassen Kunden in der Kategorie Clever oder, Sie wissen schon, in etwas Ähnlichem Oder es könnte sogar versuchen, Kunden danach zu gruppieren, was sie tatsächlich kaufen Vielleicht haben Sie Kunden , die Accessoires kaufen, wie, Sie wissen schon, Armbanduhren, Armbänder, solche Dinge Also könnte es versuchen, die Kunden in die Kategorie Accessoires einzuordnen , weißt du, solche Sachen Genau so funktioniert unbeaufsichtigtes Lernen. Hier gibt es also vier Hauptphasen. Zunächst erhält das Modell die , unstrukturierten Rohdaten, dann muss das Modell selbst die Strukturen, Muster oder Beziehungen innerhalb dieser Daten finden , Muster oder Beziehungen innerhalb dieser Und sobald es das getan hat, wird es die Daten in sinnvollen Clustern, Kategorien oder Komponenten organisieren sinnvollen Clustern, Kategorien oder Komponenten Und schließlich die Ausgabe Immer wenn das Modell eine Vorhersage trifft oder eine Ausgabe auf der Grundlage der Genauigkeit der Ausgabe ausgibt, lernt das Modell und verbessert sich im Laufe der Zeit ebenfalls Ich habe Ihnen hier die zentrale Idee gegeben , dass der Algorithmus oder das Modell niemals die richtige Antwort auf eine Aufgabe, eine Herausforderung oder ein Quiz gibt . Es lernt selbstständig Muster. Sie können versuchen, es als Modell zu betrachten, das sich selbst lehrt und sich selbst darin trainiert, die richtigen Antworten auf Aufgaben und Herausforderungen zu finden . Es gibt also bestimmte Arten von Schlüsseltechniken unbeaufsichtigten Lernen Die erste hier wäre Clustering. Dies ist wahrscheinlich die beliebteste Technik. Hier werden Daten in ähnliche Kategorien eingeteilt. Gemäß den Informationen teilt der Algorithmus den Datensatz also in Gruppen oder Cluster auf teilt der Algorithmus den Datensatz also in Gruppen oder , in denen die Elemente in demselben Cluster einander ähnlich sind als die in anderen Clustern Also der beste Anwendungsfall hier, ich habe über Kundensegmentierung gesprochen , bei der die Kunden anhand ihrer Kaufhistorie gruppiert werden könnten, wie viel sie ausgegeben haben oder was sie gerne kaufen oder wann sie solche Dinge gerne ausgeben, richtig? Wir haben einige Beispiele für Clustering-Algorithmen. Sie haben das Minus-Clustering, hierarchische Clustering, bei dem die Cluster auf einer Baumstruktur aufgebaut sind, und dann den DB-Scan, der versucht, dichte Regionen innerhalb der Daten zu identifizieren dichte Regionen Die nächste Technik hier ist die sogenannte Dimensionsreduktion . Gib mir nicht die Schuld. Ich bin nicht derjenige, der sich diesen sehr, sehr interessanten Begriff ausgedacht hat. Reduzierung der Dimensionalität. Es klingt wie etwas, das Sie in einem Lehrbuch der Raumfahrttechnik finden würden , oder Es ist irgendwie drinnen. Ich weiß nicht, wer sich diesen Begriff ausgedacht hat. Aber im Grunde bedeutet es einfach, dass wir komplexe Daten vereinfachen Das ist es, was Dimensionsreduzierung bedeutet. Per Definition werden dadurch also große Datenmengen reduziert , während das Schlüsselmuster erhalten bleibt Ihr Anwendungsfall hier wären also Dinge wie Ihre Datenkomprimierung, bei Daten auf eine kleinere Größe komprimiert werden können, die Hauptmerkmale dieser Daten jedoch beibehalten werden. Wir haben einige Algorithmen für die Dimensionsreduktion, Ihre Hauptkomponentenanalyse, Ihre PCA und dann Ihr TSN, die T-verteilte stochastische Nachbareinbettung Wir müssen uns nicht eingehender mit diesen Algorithmen befassen, okay ? Aber die Analogie hier ist im Grunde, dass Sie versuchen , sich vorzustellen, ein Buch mit, sagen wir, 500 Seiten oder 1.000 Seiten auf eine einzige Seite zu komprimieren Stellen Sie sich das so vor, als würden Sie versuchen, die wichtigsten Ideen dieses Buches zusammenzufassen Also obwohl es von 1.000 Seiten auf eine Seite reduziert wurde von 1.000 Seiten auf eine Seite reduziert Diese eine Seite wird alle wichtigen Ideen und Informationen aus diesem Buch enthalten . Und dann wird die letzte Technik hier die sogenannte Anomalieerkennung sein , bei der das Modell lernt, ungewöhnliche Muster zu finden Per Definition werden Sie also Datenpunkte identifizieren , die erheblich vom Gnom abweichen Anwendungsfall hier wird in Ihrer Betrugserkennung oder vielleicht sogar in Ihren Firewalls liegen Eine Firewall kann bösartigen Verkehr erkennen , weil er ungewöhnlich ist Vielleicht kommt der Verkehr von einer ungewöhnlichen IP-Adresse oder von einem ungewöhnlichen Ort. Das ist eine der Techniken. Auf diese Weise kann die Firewall feststellen, was echter und was bösartiger Verkehr ist. Also Beispiele für die hier verwendeten Algorithmen, wir haben die Isolierung für hier, der Algorithmus wird sich darauf konzentrieren, die Ausreißer in den Daten zu identifizieren, und dann haben wir die eine Klasse SVM, die verwendet wird, um sehr seltene und ungewöhnliche Fälle zu erkennen Die wichtigste Analogie hier ist also, denken Sie an Ihre Sicherheitsscanner an einem Flughafen Sie erkennen verdächtige Objekte einfach anhand von Mustern. Okay, was sind also die realen Anwendungen des unbeaufsichtigten Lernens Sie haben sie in Ihrer Kundensegmentierung und normalerweise in der Erkennung, die wir für Firewalls, Betrugserkennung usw. verwenden könnten , und dann auch in der medizinischen Diagnose, bei der das KI-Modell oder die Maschine versteckte Muster in Ihren genetischen Daten oder Krankheiten findet Und dann empfehlen Sie Systeme wie Netflix, Spotify, YouTube, alles funktioniert auf der Grundlage des Suchverlaufs des Benutzers Und dann werden natürlich in Ihren Suchmaschinen, wie Ihrem Google, Seiten nach Themenähnlichkeiten kategorisiert Was sind also die Herausforderungen und Grenzen des unbeaufsichtigten Lernens, also keine klaren Es gibt also keine Möglichkeit zu überprüfen, ob die Ausgabe des Modells tatsächlich korrekt ist Das Modell muss das selbst herausfinden. Und dann schwer zu interpretieren. Also sind manche Cluster oder Muster vielleicht nicht aussagekräftig, okay? Wenn das Modell versucht, bestimmte Arten von Daten in einem Cluster oder einer Kategorie zu gruppieren, kann es sein, dass es darin nicht besonders gut abschneidet, weil die Art und Weise, wie oder was es früher gruppiert hat , möglicherweise nicht klar genug ist. Und dann die richtige Anzahl von Clustern auszuwählen. Das ist eine weitere große Herausforderung hier drin. Algorithmen wie Ihre Minen benötigen also bestimmte Parameter. Im Grunde müssen Sie angeben, wie viele Gruppen das Modell erstellen muss oder wie viele Cluster es erstellen muss. Andernfalls kann es dazu führen, dass entweder zu wenig Cluster oder Gruppen oder auch zu viele erstellt werden. Das könnte also eine Herausforderung sein. Und dann das rechenintensive , es ist ziemlich teuer Beim Training werden große Datenmengen verarbeitet, was eine Menge Rechenressourcen erfordert Einige wichtige Erkenntnisse für unbeaufsichtigtes Lernen: Unüberwachtes Lernen findet verborgene Strukturen in Daten ohne in Clustering wird verwendet, um ähnliche Datenpunkte zu gruppieren, z. B. in Ihrer Kundensegmentierung. Durch die Reduzierung der Dimensionalität werden die Daten vereinfacht, Reduzierung der Dimensionalität werden die sodass sie besser visualisiert und effizienter sind. Anschließend versucht die Anomalieerkennung, Betrug, Sicherheitsbedrohungen und ungewöhnliches Verhalten zu erkennen . Und schließlich gehören zu den Herausforderungen, die mit unbeaufsichtigtem Lernen einhergehen, die Interpretierbarkeit, Rechenkosten und natürlich das Fehlen von Bewertungsmetriken die Rechenkosten und natürlich das Fehlen von Bewertungsmetriken. Danke, dass Sie sich das Video angesehen haben. Wir sehen uns in der nächsten Klasse. 16. Verstärkungslernen und Entscheidungsfindung: Nun, komm zurück. Schauen wir uns nun die dritte Art des maschinellen Lernens an. Und hier sprechen wir über Reinforcement Learning. Anders als beim überwachten Lernen, bei dem Daten beschriftet werden, oder beim unüberwachten Lernen, bei dem das Modell Muster innerhalb der Daten finden muss, erfolgt der Lernprozess beim Reinforcement-Lernen nun Daten beschriftet werden, oder beim unüberwachten Lernen, bei dem das Modell Muster innerhalb der Daten finden muss, erfolgt der Lernprozess beim Reinforcement-Lernen durch Versuch und Irrtum Im Grunde genommen haben Sie also Ihren Agenten oder Ihr KI-Modell, das eine Aktion in einer Umgebung ausführt, und dann, je nach Art der Aktion, die es ausführt, kann es entweder eine Belohnung oder eine Strafe erhalten Zeit lernt das Modell also, welche Maßnahmen es ergreifen muss, um mehr Prämien zu erhalten. Ein Beispiel: Ein selbstfahrendes Auto wird lernen, sich auf Straßen zurechtzufinden, indem Belohnungen für selbstfahrendes Fahren oder Strafen für Kollisionen oder rücksichtsloses Fahren erhält Strafen für Kollisionen oder rücksichtsloses Wie ist der Prozess? Nun, zuallererst haben wir den Agenten, also das KI-Modell, das operieren wird, wird Maßnahmen ergreifen. Wir haben die Umgebung , in der das Modell arbeitet, und dann den Status, die aktuelle Situation des Agenten in dieser Umgebung und dann die Maßnahmen, die der Agent ergreifen wird. Und dann natürlich das Belohnungssystem, positives Feedback für gute Aktionen, negatives Feedback für schlechte Aktionen. Ich habe das Diagramm hier, das Ihnen weitere Informationen gibt. Wir haben also den Agenten , der mit der Umgebung interagiert. Und dann müssen wir uns den Status des Agenten in dieser Umgebung ansehen und dann die Aktion, die das Modell ausführen wird, eine Aktion auf der Grundlage seiner Richtlinie, und dann belohnen sie positives Feedback oder negatives Feedback. Und dann aktualisiert der Agent oder das Model seine Richtlinie, sodass es in Zukunft mehr positive Belohnungen erhalten kann. Und dann wiederholt sich natürlich der gesamte Prozess. Stellen Sie sich vor, Sie versuchen, einem Roboter das Gehen beizubringen, oder? Wenn der Roboter einen Fehler macht, kann er mit einer Strafe bestraft werden. Vielleicht ist es gefallen, zum Beispiel erhält es eine Strafe. Aber wenn es dann seine Arme und Beine richtig bewegt, erhält es Belohnungen, und mit der Zeit wird der Roboter schließlich lernen, richtig zu arbeiten. Wir haben also vier Schlüsselalgorithmen für Reinforcement-Learning . Schauen wir sie uns eins nach dem anderen an. Das erste hier ist das Que Learning oder das wertebasierte Lernen. Bei dieser speziellen Art von Algorithmus lernt also der Agent oder das Modell , wie man am besten vorgehen kann , indem es einfach eine sogenannte Que-Tabelle erstellt. Es ist im Grunde eine Tabelle Belohnungen für verschiedene Arten von Aktionen. Nehmen wir zum Beispiel an, ein Agent könnte vier Arten von Aktionen ergreifen Aktion A, B, C oder D. Wenn er Aktion A ergreift, erhält er eine hohe Strafe. Aktion B wird mit einer kleinen Strafe geahndet. Aktion C, sie erhält eine kleine Belohnung. Aktion D, sie erhält eine große Belohnung. Mit der Zeit wird es also diesen Tisch bauen. Es weiß, dass, oh, je mehr Maßnahmen ich ergreife, desto größer die Belohnungen werden. Mit der Zeit lernt es, immer mehr Aktions-Ds auszuführen. Es wird also dort eingesetzt, wo die Umgebung vollständig beobachtbar ist, wenn sich die KI selbst beibringt Beispiel, wenn sich die KI selbst beibringt, wie man Schach spielt Ich habe also das Diagramm hier, Ihnen mehr Details Ich werde Ihnen die Folie zur Verfügung stellen. Also, natürlich können Sie sich das in Ihrer Freizeit ansehen. Der nächste Algorithmus hier ist der Deep Q Networks-Algorithmus. Dabei werden keine Queue-Tabellen verwendet. Es verwendet neuronale Netzwerke. Dies kann also mit sehr komplexen Umgebungen umgehen wie in Ihren Atari-Spielen, mit autonomen Robotern Das Beispiel, das ich Ihnen hier gebe, ist, eine KI lernt, wie man Videospiele spielt , indem sie ihre Punktzahl in Tausenden von Versuchen maximiert ihre Punktzahl in Tausenden von Versuchen Der dritte Algorithmus hier sind die richtlinienbasierten Methoden. Anstatt also Werte für Aktionen zu lernen, lernt das Modell oder der Agent tatsächlich eine Richtlinie. Eine Richtlinie wäre in diesem Fall derzeit eine Strategie zur Auswahl verschiedener Arten von Maßnahmen. Es funktioniert also sehr gut in Umgebungen, in denen eine sehr kleine Änderung das gesamte Ergebnis beeinflussen könnte, wie zum Beispiel in der Robotik. Das Beispiel, das ich Ihnen hier gegeben habe, ist ein Roboterarm, der lernt, Objekte zu greifen oder aufzuheben indem er einfach seine Bewegungen verfeinert Also ich habe das Diagramm auch hier drin. Auch das kannst du in deiner Freizeit lernen . Und dann ist der letzte Algorithmus hier die Methode des Schauspielerkritikers Dabei werden sowohl die wertbasierten als auch die politikbasierten Methoden kombiniert , um mehr Effizienz zu erzielen Es wird für sehr komplexe Probleme in der realen Welt verwendet , z. B. in Bezug auf autonomes Fahren, Finanzen usw. Ein Beispiel für Nachgeben ist eine KI, die lernt, wie und wann sie Aktien kaufen und verkaufen muss, um ihre Gewinne zu maximieren. Wir haben mehrere Prämienanwendungen, wie ich bereits sagte, selbstfahrende Autos in Ihren Spielen wie AlphaGo, Open AI Five, bei Hari auch in Ihrer Robotik, Finanzen und Handel und natürlich in Chatbards Aber wir stehen beim Reinforcement-Learning vor Herausforderungen und Grenzen Der erste Punkt hier ist , dass Reinforcement-Learning Millionen und Abermillionen von Simulationen erfordert Millionen und Abermillionen von , damit das Modell im Laufe der Zeit besser wird. Es funktioniert hier nicht unbedingt mit Daten. Es funktioniert eher mit Versuch und Irrtum, also muss es Tausende, vielleicht Millionen von Versuchen und Irrtümern durchmachen . Du weißt schon, um besser zu werden in dem, was es tut. Und natürlich ist es ein sehr langsamer Lernprozess. Das ist eine der größten Herausforderungen beim Reinforcement-Learning , entschuldigen Sie mich. Und dann haben wir auch das Dilemma Exploration versus Ausbeutung. Was genau ist das? Nun, hier muss der Agent oder das Model neue Aktionen ausprobieren, nämlich die Erkundung, anstatt das Gelernte zu nutzen, was Ausbeutung wäre. Es muss das richtige Gleichgewicht zwischen beiden finden, was sehr, sehr schwierig sein kann. Und dann endlich die Unberechenbarkeit. Die KI könnte also Lücken im Belohnungssystem finden , die zu unbeabsichtigten Ergebnissen führen Dies könnte in Situationen der Fall sein, in denen das Belohnungssystem nicht richtig ausgearbeitet wurde, und bei bestimmten Aktionen, die möglicherweise zu enormen Strafen hätten führen müssen. Stattdessen erhält das Modell stattdessen riesige Belohnungen. Dies könnte das Modell verwirren, und im Laufe der Zeit wird es letztendlich dazu führen, dass es die falschen Entscheidungen trifft Bevor wir also das Reinforcement-Learning zusammenfassen, hier einige wichtige Erkenntnisse wir also das Reinforcement-Learning zusammenfassen, : Das Modell lernt, indem es innerhalb einer Umgebung interagiert und Belohnungen oder Strafen erhält Versuch und Irrtum sind in der Tat die Grundlage von Reinforcement-Learning wichtigsten Techniken des Reinforcement-Learnings gehören Ihr Q-Learning, Ihre Deep-Q-Netzwerke , richtliniengestützte Methoden und natürlich Ihre Schauspieler-Kritiker-Modelle Und natürlich wird Reinforcement-Learning in der Robotik eingesetzt Es wird im Finanzwesen eingesetzt. Es wird in selbstfahrenden Autos, Spielen und vielem mehr verwendet. Und zu den Herausforderungen gehören natürlich langsames Lernen, hohe Rechenkosten und unvorhersehbares Verhalten Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 17. Entscheidungsbäume, Regression und Clustering: Sprechen wir nun über Entscheidungsbäume, Regression und Clustering. Wir haben bereits früher kurz über Regression und Clustering gesprochen , aber hier werden wir etwas tiefer darauf Aber lassen Sie uns zunächst über Entscheidungsbäume sprechen sprechen Was genau sind sie? Sie sind im Grunde ein überwachter Lernalgorithmus sowohl für die Klassifikation als auch für die Regression verwendet wird Denken Sie daran, dass Klassifikation und Regression zwei Techniken des überwachten Lernens sind zwei Techniken des überwachten Lernens Es versucht also, den menschlichen Entscheidungsprozess nachzuahmen, indem Daten in eine baumartige Regelstruktur aufteilt Nun, ich habe Ihnen auf der Folie hier das Diagramm gegeben, wie es tatsächlich funktioniert Alles beginnt mit der Basis, das wäre der Wurzelknoten, der Datensatz. Irgendwann werden diese Daten also auf der Grundlage bestimmter Bedingungen oder Merkmale in Zweige aufgeteilt auf der Grundlage bestimmter Bedingungen oder Merkmale in Zweige , und irgendwann werden diese Zweige in Blattknoten enden, was die endgültige Entscheidung oder Vorhersage wäre , die das Modell tatsächlich trifft. , sind die Vorteile von Entscheidungsbäumen also Wie Sie sehen können, sind die Vorteile von Entscheidungsbäumen also sehr, sehr einfach zu interpretieren, da es sich um klar definierte Strukturen handelt Strukturen , einfache Flussdiagramme, oder? Und dann funktioniert es sehr gut mit kategorialen und numerischen Daten Es ist also sehr, sehr vielseitig. Und dann ist keine Datenskalierung erforderlich , was Sie bei Regression oder Clustering finden werden Entscheidungsbäume haben jedoch gewisse Nachteile. Zum einen ist es anfällig für Überanpassungen merkt sich das Modell Anstatt zu versuchen, zu verallgemeinern und Muster zu finden, am Ende die Trainingsdaten und reagiert dann auch empfindlich auf sehr, sehr kleine Änderungen Was sind nun die realen Anwendungsmöglichkeiten von Sie finden sie in Ihrer Betrugserkennung, Ihrer medizinischen Diagnose oder sogar in Kreditgenehmigungen bei Banken. Lassen Sie uns nun zur Regression übergehen. Nun, wir haben bereits im Rahmen des überwachten Lernens über Regression gesprochen bereits im Rahmen des überwachten Hier versucht das Modell, kontinuierliche Ergebnisse vorherzusagen , oder? Und wir haben darüber gesprochen, dass es sich um eine Technik des überwachten Lernens handelt, die verwendet wird, um kontinuierliche Werte auf der Grundlage vergangener Daten vorherzusagen . Eine Sache, die ich jedoch nicht erwähnt habe, war, dass wir verschiedene Arten von Regression haben Es gibt ungefähr acht oder neun von ihnen. Aber hier möchte ich meiner bescheidenen Meinung nach über die drei wichtigsten sprechen . Wir haben lineare Regression, polynormale Regression und dann logistische Regression Lass mich dir hier ein paar Analogien geben, okay? Stellen Sie sich für die lineare Regression vor, das KI-Modell versucht vorherzusagen, wie viel ein Haus kosten würde Jetzt weiß es im Allgemeinen, dass es umso teurer sein wird, je größer das Haus teurer sein wird, je größer das ist. Das ist im Allgemeinen so. In solchen Szenarien könnte das Modell also lineare Regression verwenden, könnte das Modell also lineare Regression verwenden um die Vorhersage zu treffen Was ist jedoch mit der polynomialen Regression? Stellen Sie sich das Luftmodell vor, das versucht, die Geschwindigkeit eines Autos vorherzusagen . Aber hier ist die Sache. Das Auto fährt nicht immer mit der gleichen Geschwindigkeit. Es könnte beschleunigen, ich könnte langsamer werden. Es könnte wieder schneller werden. Ich könnte langsamer fahren. Daher ist es für das Modell unmöglich , in einem solchen Szenario lineare Regression zu verwenden in einem solchen Szenario lineare Regression Es muss eine polynimale Regression verwenden bei der versucht wird die Bewegung des Autos grafisch darzustellen und dann zu bestimmen, wie schnell es Und dann die letzte hier drin, die logistische Regression. Stellen Sie sich vor, Sie haben ein KI-Modell , das darauf trainiert wurde, festzustellen, wie qualifiziert ein Kandidat für eine Stelle wäre Nun, hier ist die Sache. Irgendwann wird das Model sagen: Okay, der Kandidat ist qualifiziert oder nicht qualifiziert, oder? Der Entscheidungsprozess ist jedoch nicht so einfach , da er weitgehend von den Qualifikationen dieses Kandidaten abhängen wird weitgehend von den Qualifikationen dieses Kandidaten abhängen . Es könnte sogar von den Qualifikationen der anderen Kandidaten abhängen , die ebenfalls für genau dieselbe Stelle kämpfen. In einem solchen Szenario könnte das Modell also logistische Regression verwenden Die Vorteile der Regression liegen also darin, dass sie sehr, sehr einfach ist Und leicht zu verstehen. Es funktioniert sehr gut mit numerischen Daten. Und es ist auch die Grundlage für fortschrittliche Modelle des maschinellen Lernens, die Sie im Finanzwesen, im Gesundheitswesen, in der Wirtschaft, in der Medizin und vielem mehr finden im Gesundheitswesen, in der Wirtschaft, . Was sind nun die Nachteile der Regression? Nun, sie versucht, jederzeit von einer linearen Beziehung auszugehen , was natürlich nicht realistisch Und dann reagiert es auch sehr empfindlich auf Ausreißer. Ein einziger Extremwert kann alle Vorhersagen verfälschen. Stellen Sie sich vor, Sie kehren zur alten Analogie des Modells zurück und versuchen, die Kosten eines Hauses vorherzusagen Was wäre, wenn in einer Situation ein sehr kleines Haus mehr kosten würde als ein viel größeres Das ist eine Anomalie. Das passiert nicht wirklich Aber weil es tatsächlich passiert ist, könnte das das Modell verwirren, und dann könnte das Modell in passiert ist, könnte das das Modell verwirren, und dann könnte das Modell Zukunft möglicherweise nicht mehr in der Lage sein, genaue Vorhersagen auf der Grundlage dieser einzigen Anomalie zu treffen genaue Vorhersagen auf der Grundlage dieser einzigen Anomalie Was sind nun die realen Anwendungsmöglichkeiten der Regression? Sie haben Ihre Börsenprognose, Wettervorhersagen und auch Verkäufe für Dies sind nur einige Beispiele für Regressionsanwendungen zur Umformulierung Und schließlich Clustering. Wir haben über Clustering beim unüberwachten Lernen gesprochen , bei dem das Modell versucht, ähnliche Datenpunkte ohne vordefinierte Labels zu gruppieren . Wir haben hier die verschiedenen Algorithmen, über die wir bereits zuvor gesprochen Die Analogie hier: Stellen Sie sich vor, Sie besitzen ein Bekleidungsgeschäft und möchten Kunden gruppieren Sie können also Kunden gruppieren, die mehr Geld ausgeben, bewusster sind oder vielleicht Kunden , die nur während des Verkaufs kaufen Clustering kann also dabei helfen , Kunden in ähnliche Kategorien einzuteilen Aber was sind die Vorteile von Clustern? Darüber haben wir nicht gesprochen. Zuallererst kann es versteckte Muster aufdecken. Es ist also nicht erforderlich, Daten zu kennzeichnen, wenn es um Clustering geht, da das Clustering allein Daten in verschiedene Arten von Gruppen einteilt, oder Daten zu kennzeichnen, wenn es um Clustering geht, da das Clustering allein Daten in verschiedene Arten von Gruppen einteilt Clustering allein Daten in verschiedene Arten von Gruppen Und dann ist es auch sehr, sehr flexibel, weil es nicht mit vordefinierten Daten oder beschrifteten Daten oder ähnlichem arbeitet mit vordefinierten Daten oder beschrifteten Daten oder ähnlichem arbeitet Es kann grundsätzlich gut mit Kundensegmentierung, medizinischen Daten und auch Bilderkennung funktionieren medizinischen Daten und auch Bilderkennung Und dann ist es auch sehr, sehr nützlich, um Anomalien zu erkennen Ihre Firewalls, Intrusion Prevention-Systeme und Cybersicherheit usw. verwenden in der Regel Clustering, verwenden in der Regel Clustering Aber wir haben natürlich auch Nachteile. Zunächst einmal kann es sehr, sehr schwierig sein, die Anzahl der Cluster auszuwählen . Manchmal weiß das Modell nicht, wie viele Cluster für eine bestimmte Datenmenge erstellt werden müssen, und dann können sich Cluster auch überschneiden. Dies passiert ziemlich häufig, wenn einige Datenpunkte zu mehreren Clustern gehören könnten. Wenn wir zum gesamten Bekleidungsgeschäft zurückkehren, ist es möglich, dass Kunden , die viel Geld ausgeben, auch zu einem anderen Cluster gehören, der speziell für Kunden bestimmt ist , die gerne Accessoires kaufen Es ist nur so, dass sie vielleicht die sehr teuren Accessoires kaufen , vielleicht kaufen sie die sehr teuren Armbanduhren Diese Art von Kunden wird nun also in zwei verschiedene Arten von Clustern aufgeteilt, und das könnte im Laufe der Zeit zu einigen Komplikationen und Verwirrung führen Laufe der Zeit zu einigen Komplikationen und Verwirrung Was sind die realen Anwendungsmöglichkeiten von Clustering? Erkennung von Anomalien bei der Kundensegmentierung und natürlich auch in der medizinischen Forschung Also L, vielen Dank, dass Sie sich das Video Wir sehen uns in der nächsten Klasse 18. Herausforderungen und ethische Überlegungen im maschinellen Lernen: Komm zurück. Bevor wir also mit diesem Modul über maschinelles Lernen beginnen, müssen wir über die Herausforderungen und ethischen Überlegungen beim maschinellen Lernen sprechen . nun die Herausforderungen angeht, so gibt es drei Arten von Herausforderungen. Wir haben die Herausforderungen im Zusammenhang mit den Daten, die Herausforderungen im Zusammenhang mit den Modellen und natürlich die Herausforderungen im Zusammenhang mit den Rechenressourcen Schauen wir sie uns nacheinander an. Herausforderungen im Zusammenhang mit Daten sprechen wir nun über Themen wie Datenverzerrungen. Also noch einmal, wenn das Modell auf Daten trainiert wird , die verzerrt sind, raten Sie mal, das Modell wird in Zukunft voreingenommene Vorhersagen treffen Und dann Datenschutz , weil Maschinen und Modelle mit großen Datensätzen trainiert werden müssen Manchmal kann es sich bei diesen Datensätzen um Daten handeln , die Kunden oder Benutzern gehören Dies könnte zu Datenschutzbedenken und schließlich zu Problemen mit der Datenqualität führen und schließlich zu Problemen mit der Datenqualität Wenn Daten fehlen, verrauscht oder unstrukturiert sind, kann dies die Genauigkeit des Modells beeinträchtigen Wenn beispielsweise ein medizinisches KI-Modell unvollständiger Patientenakten trainiert wird, könnte es am Ende zu einer unzuverlässigen Diagnose kommen Was ist mit den modellbezogenen Herausforderungen? Wir haben über Überanpassung gesprochen, bei der das Modell, anstatt zu versuchen, Muster zu finden und zu verallgemeinern, am Ende die Trainingsdaten auswendig lernt und dann Interpretierbarkeit und dann Interpretierbarkeit Manchmal können die Modelle des maschinellen Lernens sehr, sehr schwer zu verstehen sein . Und wenn ein Modell eine bestimmte Art von Entscheidung trifft, kann es möglicherweise nicht erklären warum es diese Entscheidung letztendlich getroffen hat. Es sind sozusagen Blackboxen, die wir nicht vollständig verstehen. Und dann auch die gegnerischen Angriffe bei denen Hacker oder mehrere Kriminelle Modelle des maschinellen Lernens austricksen können, indem sie einfach die Eingabedaten leicht modifizieren Beispielsweise führt das Hinzufügen eines subtilen oder sehr kleinen Rauschens zu einem Bild dazu, dass eine KI ein Stoppschild fälschlicherweise als Geschwindigkeitsbegrenzungsschild einstuft , was für selbstfahrende Autos gefährlich sein kann Was ist nun mit den Herausforderungen im Zusammenhang mit den Rechenressourcen ? Wenn es um KI-Training und maschinelles Lernen geht , erfordern sie hohe Rechenkosten Sie sprechen von großen Rechenzentren, großen Datenbanken, sehr leistungsstarken Computerprozessoren und so weiter Es erfordert also viel Hardware und Energieverbrauch. Zum Beispiel erforderte das Training der Chart GBT-Version vier Tausende von GPUs und eine Leistung von mehreren Watt Dies wirft Bedenken hinsichtlich der Nachhaltigkeit und auch der Frage der Skalierbarkeit auf. Nur weil ein Modell in einer kleinen Umgebung sehr gut funktioniert in einer kleinen Umgebung sehr gut , heißt das nicht unbedingt, dass es in einer großen Umgebung besser funktioniert. Als Beispiel ein KI-Chatbot, vielleicht hat er sich sehr gut geschlagen Es wurde darauf trainiert, mit zehn Kunden gleichzeitig zu interagieren. Aber was ist, wenn dieser Chatbot mit 100 Kunden interagieren muss mit 100 Kunden interagieren Es kann am Ende sehr, sehr schlecht abschneiden. Aber nachdem die Herausforderungen gelöst sind, lassen Sie uns über ethische Überlegungen, Vorurteile und Fairness, Bedenken in Bezug auf Datenschutz und Überwachung, Arbeitsplatzverdrängung und wirtschaftliche Auswirkungen sowie natürlich KI-Sicherheit und autonome Entscheidungsfindung Schauen wir sie uns nacheinander an. Wenn es also um Vorurteile und Fairness und algorithmische Diskriminierung geht , , können die Modelle des maschinellen Lernens soziale Ungleichheiten verstärken wenn sie nicht richtig konzipiert wurden oder wenn sie anhand voreingenommener Daten trainiert wurden Organisationen und Entwickler von KI-Modellen müssen also sicherstellen, dass ihre Systeme, ihre Agenten, ihre Modelle fair und unvoreingenommen sind Und die Lösung hier bestünde darin, sehr vielfältige und sehr breite Palette verschiedener Arten von Datensätzen zu verwenden , und dann sollten auch Tools zur Erkennung von Verzerrungen Wenn es um Datenschutz und Überwachung geht, wäre eines der besten Beispiele dafür China, das das Sozialkreditsystem nutzt auch KI und Überwachungskameras zur Überwachung seiner Bürger Dies könnte also zu großen Datenschutzproblemen usw. führen. Die Hauptlösung hier besteht also darin, dass die Unternehmen oder Länder im Fall Chinas transparente Richtlinien zur Datenerfassung und zur Zustimmung der Nutzer verabschieden sollten . Ich glaube nicht, dass das in China passieren wird , aber hey, das ist ein anderes Thema für einen anderen Tag. Was ist mit der Verdrängung von Arbeitsplätzen und den wirtschaftlichen Auswirkungen? Wir sehen bereits, dass einige Menschen aufgrund von KI ihren Arbeitsplatz verlieren. Automatisierung und Arbeitslosigkeit, KI ersetzt also menschliche Arbeitsplätze in Branchen wie der Fertigung, Finanzwesen und auch im Kundenservice. Die Lösung hier bestünde also darin, einfach zu versuchen, die Belegschaft umzuschulen, und Regierungen und Unternehmen sollten in KI-Bildungs - und Weiterbildungsprogramme investieren . Mitarbeiter sollten also im Umgang mit KI geschult werden , damit sie neue Fähigkeiten erwerben können es ihnen ermöglichen , in einer KI-gestützten Umgebung zu funktionieren und in einer KI-gestützten Umgebung zu funktionieren Und dann natürlich die KI-Sicherheit und die autonome Entscheidungsfindung. Wir können über KI in der Kriegsführung sprechen, Beispiel bei tödlichen autonomen Waffen Derzeit entwickeln Länder, wie natürlich die Vereinigten Staaten, China, vielleicht sogar Russland, die Vereinigten Staaten, China, vielleicht sogar Russland, autonome Waffen mit KI-Unterstützung, was natürlich ethische Bedenken aufwerfen würde Zum Beispiel der Einsatz militärischer Drohnen. Sie sehen, wie sie an verschiedenen Orten operieren. Und dann auch KI in lebenswichtigen Systemen, wie zum Beispiel im Gesundheitswesen , sie wird eingesetzt. KI wird im Gesundheitswesen eingesetzt, sie wird im Finanz - und Transportwesen eingesetzt, wo Ausfälle lebensbedrohliche Folgen haben können. Stellen Sie sich das selbstfahrende Auto , das am Ende die falsche Entscheidung trifft, und dann prallt es mit einem anderen Auto zusammen, in dem Menschen saßen. Diese Menschen könnten infolgedessen sterben. Die Lösung hier ist also , dass KI in sicherheitskritischen Anwendungen so viel Training, so viele Tests und so viel Aufsicht wie möglich durchlaufen muss so viele Tests und so viel Aufsicht wie möglich Vorschriften und Lösungen für ethische KI, KI-Ethikprinzipien Regierungen, Organisationen und Unternehmen müssen sich also grundsätzlich an Prinzipien wie Fairness, Rechenschaftspflicht, Transparenz und natürlich Datenschutz halten Fairness, Rechenschaftspflicht, Transparenz und natürlich Datenschutz Und dann sollten auch Gesetze und Vorschriften eingeführt werden. Tatsächlich wurden einige bereits von Regierungen eingeführt, wie das EU-Gesetz über künstliche Intelligenz und natürlich die DSGVO. Bevor wir also zusammenfassen, einige wichtige Erkenntnisse Maschinelles Lernen steht vor Herausforderungen in Bezug auf Datenqualität, Erklärbarkeit von Modellen und gegnerische ethischen Bedenken gehören Voreingenommenheit, Fairness, Datenschutzverletzungen und KI muss also verantwortungsbewusst konzipiert werden , um Schaden zu minimieren und Fairness zu maximieren Und natürlich entwickeln Regierungen, Unternehmen, Organisationen und Unternehmen KI-Vorschriften und ethische Rahmenbedingungen, entwickeln Regierungen, Unternehmen, Organisationen und Unternehmen KI-Vorschriften und um den sicheren Einsatz von KI in der realen Welt zu gewährleisten sicheren Einsatz von KI in der realen Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 19. Abschnittsvorschau Deep Learning und neuronale Netzwerke: Kommen Sie zum nächsten Modul, und hier sprechen wir über Deep Learning und neuronale Netzwerke. Und natürlich ist die Regel in diesem Kurs, dass ich Ihnen zu Beginn jedes Moduls einen Filmclip vorspiele, also lehnen Sie sich zurück, entspannen Sie sich, genießen Sie den Clip und wir sehen uns am Ende. Was bedeutet diese Aktion? Es ist ein Zeichen des Vertrauens. Es ist eine menschliche Sache, die du nicht verstehen würdest. Mein Vater hat versucht, mir menschliche Gefühle beizubringen. Das sind sie. Schwierig. Möchtest du erklären, warum du dich am Tatort versteckt hast? Ich hatte Angst. Roboter haben keine Angst. Sie fühlen nichts. Sie werden nicht hungrig. Sie schlafen nicht. Ich tue es. Ich hatte sogar Träume. Menschen haben Träume. Sogar Hunde haben Träume, aber du nicht. Du bist nur eine Maschine. Eine Nachahmung des Lebens. Kann ein Roboter eine Symphonie schreiben? Kann ein Roboter aus einer Leinwand ein wunderschönes Meisterwerk machen? Kannst du? Nun, komm zurück, und dieser Clip stammt natürlich aus dem Film I Robot, der 2004 veröffentlicht wurde , mit Will Smith in der Hauptrolle, und es ist tatsächlich einer meiner Lieblingsfilme mit Will Smith aller Zeiten Der Grund, warum ich diesen speziellen Clip verwenden wollte, ist dass er das Thema dieses Moduls demonstriert, nämlich Deep Learning In der Szene hatten wir ein Verhör zwischen Will Smiths Charakter Detective Spooner und dem KI-Roboter Beachten Sie, dass Sonny zu Beginn des Clips Detective Spooner beobachtet, Sonny zu Beginn des Clips Detective Spooner beobachtet diese offizielle Geste wie ein Augenzwinkern macht, oder ? Und es merkt sich das Augenzwinkern, und schließlich, während des Verhörs, fragt Sonny Detective Spooner: Was bedeutet das ? ? Und natürlich fängt Detective Spooner, KI oder Roboter nicht wirklich mag, an zu sagen: Oh, der KI oder Roboter nicht wirklich mag, an zu sagen: Oh, das ist menschlich, Sie würden es nicht verstehen Aber Sonny fordert Detective Spoona tatsächlich heraus. Sonny sagt, dass ich zu Emotionen fähig bin. Ich hatte sogar Träume, was irgendwie faszinierend ist, oder? Sehen Sie, der Grund, warum ich diesen Clip verwende, ist, dass er Sonny zeigt, ein hochintelligentes, fortschrittliches KI-Modell, das tatsächlich denken kann, dass es von den typischen KI-Systemen für maschinelles Lernen unterscheidet , die nur entweder vorgefertigten Regeln folgen oder Lage sind, Muster und Daten zu identifizieren und dann Entscheidungen zu treffen Diese besondere Art von KI-Modellen können sie denken. des Deep Learning sind sie in der Lage, um die Ecke zu denken Durch das Konzept des Deep Learning sind sie in der Lage, um die Ecke zu denken. Sehen Sie, Deep Learning zielt einfach darauf ab, das tatsächliche menschliche Gehirn nachzuahmen das tatsächliche menschliche Gehirn indem künstliche Neuronen verwendet Diese Art von maschinellem Lernen ermöglicht es KI-Modellen also , zu denken. Nein, wie ich bereits zu Beginn des Kurses sagte, gibt es Skeptiker, die glauben , dass künstliche Intelligenz niemals diesen speziellen Grad an Raffinesse erreichen wird niemals diesen speziellen Grad an Raffinesse erreichen Nun, es gibt Leute, die glauben, dass wir irgendwann schaffen werden Wie dem auch sei, ich dachte, dieser Clip wäre ein guter Clip , um dieses Modul vorzustellen, in dem wir über Deep Learning sprechen werden, was natürlich eine fortgeschrittenere Untergruppe des maschinellen Lernens ist des maschinellen Lernens Gehen wir nun zur nächsten Lektion über. 20. Einführung in Deep Learning: Werfen wir nun einen Blick auf Deep Learning. Was genau ist das? Nun, Deep Learning ist ein Teilbereich des maschinellen Lernens, bei dem künstliche neuronale Netze mit mehreren Schichten verwendet werden , um sehr große Datenmengen zu verarbeiten und daraus zu lernen Das gesamte Konzept von Deep Learning wurde von der Fähigkeit des menschlichen Gehirns inspiriert , Muster zu erkennen und dann Entscheidungen zu treffen Nun haben wir einige Schlüsselmerkmale von Deep Learning. Das vielleicht wichtigste ist die Tatsache , dass Deep-Learning-Modelle wie herkömmliche Modelle für maschinelles Lernen in der Lage sind, Merkmale automatisch ganz von selbst zu extrahieren. Bei einem herkömmlichen maschinellen Lernen müssen die Entwickler dieses KI-Modells die Funktionen für das Modell selbst bereitstellen. Aber Deep-Learning-Modelle, äh , sie können automatisch selbst solche wichtigen Merkmale extrahieren. Jetzt sind sie auch in der Lage, mit sehr großen Datenmengen umzugehen. Da Deep-Learning-Modelle jedoch sehr, sehr komplex sein können , benötigen sie eine hohe Rechenleistung Ich habe hier also die Tabelle , die Ihnen die wichtigsten Unterschiede zwischen traditionellem maschinellem Lernen und dann tiefem Lernen zeigt die wichtigsten Unterschiede zwischen traditionellem maschinellem Lernen und dann tiefem Lernen Sie können also sagen, dass beim Feature Engineering, ich habe gerade darüber gesprochen, dass maschinelles Lernen in der Regel manuell abläuft. Die Funktionen müssen dem Modell von den Entwicklern zur Verfügung gestellt werden , aber Deep-Learning-Modelle machen das von selbst. Und dann die Datenanforderung, maschinelles Lernen verarbeitet kleine bis mittelgroße Datensätze sehr, sehr gut. Aber beim Deep Learning können sie riesige Datenmengen verarbeiten. Und dann natürlich die Leistung. Ihr herkömmliches maschinelles Lernen eingeschränkt immer dann eingeschränkt, wenn sie mit komplexen Daten arbeiten. Aber beim Deep Learning gilt: Je komplexer die Daten sind, desto besser für sie. Nun, was die Interpretierbarkeit angeht, ist maschinelles Lernen viel einfacher zu verstehen als Deep-Learning-Modelle, die einfacher zu verstehen als Deep-Learning-Modelle, die zu Blackboxen werden Wir verstehen nicht vollständig, wie solche Modelle tatsächlich mit Rechenleistung funktionieren. Mit maschinellem Lernen funktioniert es auf normalen Computern gut. Für Deep Learning benötigen Sie jedoch einige extrem leistungsstarke Computer, um sie auszuführen. Wir haben also mehrere wichtige reale Anwendungen von Deep Learning. Unter Computer Vision haben Sie zum Beispiel Ihre Bilderkennung, auch medizinische Bildgebung und dann Ihre Chat-Boards wie CII, Alexa, diese Art von Chat-Boards werden mithilfe von Deep Learning entwickelt Und dann, bei der Sprach- und Audioverarbeitung, wie bei der Musikgenerierung, Emotionserkennung durch Stimme, all diese Technologien nutzen Deep Learning, und dann in der Finanz- und Geschäftswelt, etwa bei der Erkennung betrügerischer Transaktionen, Börsenprognosen, nutzen sie alle De-Learning Und schließlich haben wir im Gesundheitswesen unsere KI als KI-gestützte Lösung. Das ist Diagnose, Vorhersage von Behandlungsergebnissen und vieles mehr Deep Learning hat also in vielen Bereichen unseres täglichen Lebens seinen Platz vielen Bereichen unseres täglichen Lebens Warum ist Deep Learning also so mächtig? Was macht Deplaning so mächtig? Nun, wie ich bereits sagte, es kann mit sehr, sehr komplexen Datentypen umgehen Es spielt keine Rolle, wie komplex oder wie kompliziert Daten sind. Wenn es Deep Learning ist, wird es erfolgreich sein. Und dann die Fähigkeit zum Selbstlernen, wiederum Deep-Learning-Modelle, sie können wichtige Funktionen ganz alleine extrahieren. Sie benötigen kein überwachtes Lernen. Sie brauchen keinen Entwickler, der ihnen beibringt , wie man denkt oder Muster erkennt. Sie können das selbst tun. Und weil sie sich im Laufe der Zeit auch ständig verbessern. Die Arten von Deep-Learning-Modellen , die wir heute haben, werden nichts sein im Vergleich zu den Deep-Learning-Modellen, die wir in ein paar Jahren bekommen werden. Also ein paar wichtige Erkenntnisse: Deep Learning ist wiederum eine Untergruppe des maschinellen Lernens, die neue Netzwerke nutzt Es übertrifft herkömmliches maschinelles Lernen beim Umgang mit großen und Aber dann unterstützt Deep Learning viele KI-gestützte Anwendungen, von selbstfahrenden Autos bis hin zu virtuellen Assistenten Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 21. Neuronale Netzwerke verstehen: vorherigen Lektion haben wir über Deep Learning gesprochen, und ich habe erwähnt, dass Deep Learning neuronale Netzwerke nutzt. Daher ist es nur natürlich , dass wir jetzt detaillierter besprechen , was genau neuronale Netzwerke sind. Nun, wie der Name schon sagt, handelt es sich im Grunde um ein Netzwerk miteinander verbundener handelt es sich im Grunde um ein Netzwerk Knoten, die wir als Neuronen bezeichnen. Nun, das neuronale Netzwerk selbst, es ist ein Rechenmodell das von den biologischen Neuronen im menschlichen Gehirn inspiriert Vor diesem Hintergrund, was sind die Hauptmerkmale eines neuronalen Netzwerks Sie sind in der Lage, Muster aus Daten zu lernen. Sie bestehen aus mehreren Schichten künstlicher Neuronen und nutzen dann auch mathematische Funktionen, um Daten zu verarbeiten und auch zu transformieren. Was wäre nun die Struktur eines neuronalen Netzwerks? Es gibt drei Hauptteile. Sie haben die Eingabeschicht, die versteckten Ebenen und schließlich die Ausgabeschicht. Schauen wir sie uns eins nach dem anderen an. Beginnen Sie mit der Eingabeebene. Wie der Name schon sagt, ist dies die allererste Ebene. Dies ist die Ebene, die die Rohdaten empfängt, bei denen es sich um Bilder, Audio oder Video handeln kann. Jeder Knoten, den Sie in Ihrer Eingabeebene haben, stellt also ein Merkmal dieser bestimmten Daten dar. Als Nächstes kommen also die versteckten Ebenen. Dies sind die Ebenen , die die eigentlichen Berechnungen durchführen und die Muster aus den Daten extrahieren. Hier findet also im Grunde die Hauptaktivität in den verborgenen Schichten statt. Jede verborgene Schicht enthält also mehrere Neuronen, die die mathematischen Operationen auf die technischen Beziehungen in den Daten anwenden auf die technischen Beziehungen in den Daten Mehr verborgene Schichten bedeuten also einfach, dass das Netzwerk tiefer und damit komplexer und damit leistungsfähiger Und schließlich haben Sie die Ausgabeschicht, und hier trifft das Netzwerk eine endgültige Vorhersage oder erzeugt die endgültige Ausgabe. Um auf dasselbe Beispiel mit einem Spamfilter zurückzukommen: Die Ausgabeschicht bestimmt, ob es der E-Mail um Spam handelt oder nicht. Nun, da wir wissen, dass Neuronen das neuronale Netzwerk bilden, was genau sind Neuronen selbst und wie funktionieren sie? Jedes Neuron in einem neuronalen Netzwerk ist also eine Recheneinheit , die Eingaben verarbeitet und Ausgaben an die nächste Schicht weiterleitet Wie funktionieren Neumonen eigentlich? Es gibt hier vier Hauptebenen , es gibt vier Hauptschritte, wie Sie sehen können Jetzt haben wir über die Eingaben und dann über die Ausgabe gesprochen, diese sind selbsterklärend Aber dazwischen haben wir die Schritte zwei und drei. Schritt zwei beinhaltet die Anwendung von Gewichten und Verzerrungen. Was genau ist das? Der Grund, warum auf jede Eingabe Gewichtungen angewendet werden , besteht im Grunde darin, zu bestimmen, wie wichtig die Eingabe ist. Denk darüber nach, okay? Ein Neuron kann nicht alle Eingaben gleichzeitig verarbeiten, also muss es bestimmen, welche Eingaben am wichtigsten sind Eine Eingabe, die mehr Gewicht hat, wird natürlich wichtiger sein und mehr Wert bieten Nun, der Grund, warum Verzerrungen angewendet werden, ist folgender: Stellen Sie sich vor, alle Eingaben hätten den gleichen Wert oder sagen wir, alle Eingaben hätten den Wert Null In einem solchen Szenario das Neuron möglicherweise nicht funktionieren, weil, hey, alle Eingaben den gleichen Es wird nun also ein Bias angewendet, um sicherzustellen, dass das Neuron nicht vollständig von den Werten dieser Eingaben abhängig Und dann haben Sie endlich Ihre Aktivierungsfunktion. Dies ist die eigentliche Funktion, die bestimmt, ob das Neuron aktiviert werden soll oder nicht , und dann die Daten weitergibt Apropos Aktivierungsfunktion, es gibt vier davon. Sie haben Ihre ELU, die rektifizierte Lineareinheit. Dies wird in den verborgenen Schichten verwendet und hilft tiefen Netzwerken, viel schneller zu trainieren Du hast dein Sigmoid. Dies wird in der Regel zur Wahrscheinlichkeitsberechnung verwendet Es funktioniert also gut mit den Werten 0-1, und dann haben Sie den Dadurch werden Werte zwischen minus eins und positiv ausgegeben minus eins Der letzte Wert hier ist der weichere Maximalwert, der für die Klassifizierung mehrerer Klassen verwendet wird Also nur eine kurze Zusammenfassung Neuronale Netzwerke bestehen aus Eingabe-, Ausgabe- und versteckten Ebenen Nus verarbeiten Informationen, indem sie Gewichtungen, Verzerrungen und natürlich die Aktivierungsfunktionen anwenden, über die wir gerade gesprochen haben Und dann bestimmen die Aktivierungsfunktionen, ob eine neue ausgelöst werden soll oder nicht, im Grunde genommen, ob eine neue aktiviert wird oder nicht Mehr versteckte Schichten führen also zu tieferen Netzwerken, in der Lage sind, noch komplexere Probleme zu lösen. Wenn es also eine Sache gibt Sie aus dieser Lektion mitnehmen können, denken Sie daran, dass je mehr verborgene Schichten ein neuronales Netzwerk hat, desto leistungsfähiger ist es wahrscheinlich. Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 22. Arten neuronaler Netzwerke: Schauen Sie sich nun die verschiedenen Arten neuronaler Netze an, die wir haben, und davon gibt es sechs. Das allererste hier werden die neuronalen Feed-Forward-Netze sein . Dies sind mit Abstand die einfachste Art neuronaler Netze , da die Eingaben über eine gerade Linie verlaufen. Es gibt keine Schleifen oder Zyklen. Die Eingabe verläuft einfach in einer geraden Linie und führt schließlich zu einer Ausgabe. Wir haben also einige Schlüsselmerkmale. Es gibt keine Feedback-Verbindungen, also im Grunde keine Schleifen, wenn es um Aufgaben geht, die Sie bei der Klassifikation und Regression finden Und dann besteht es aus vollständig verbundenen Schichten. Jedes Neuron ist also mit der nächsten Schicht verbunden. Aber jetzt haben wir die Anwendungen, bei denen unsere fit for neuronalen Netze tatsächlich zum Einsatz kommen Wir verwenden sie für Ihre Spam-E-Mail-Filterung und auch für Ihre Aktienkursprognose. Aber lassen Sie uns jetzt zur nächsten Art von neuronalem Netzwerk übergehen, und das ist das CNN, nicht das Kabelnachrichtennetz Ich spreche vom neuronalen Faltungsnetzwerk. spezialisieren sich also Verarbeitung rasterähnlicher Daten wie Bilder Die wichtigsten Eigenschaften von CNN sind also, dass sie Faltungsschichten verwenden Sie können sehr, sehr wichtige Merkmale wie Kanten, Texturen, Objekte usw. extrahieren wichtige Merkmale wie Kanten, Texturen, Objekte usw. Sie sind also auch in der Lage, die Komplexität zu reduzieren , indem sie einfach Ebenen ziehen. Und aus diesem Grund findet man sie meistens in der Nähe von Bildern. Bei der Bildklassifizierung werden sie auch die CNN-Objekterkennung verwenden auch die CNN-Objekterkennung Und selbst im medizinischen Bereich der medizinischen Bildgebung nutzen diese neuronalen Faltungsnetzwerke Als nächstes haben wir das RN und die rekurrenten neuronalen Netzwerke. Diese sind in erster Linie für sequentielle Daten konzipiert, was bedeutet, dass Sie über Speicher verfügen und abhängige Muster verarbeiten können diesem Grund besteht das Hauptmerkmal darin, dass es Rückkopplungsschleifen enthalten kann Sie können sich auch an frühere Eingaben erinnern. Sie haben also quasi ein Kurzzeitgedächtnis, und dann eignen sie sich gut für Aufgaben , die Kontextverständnis erfordern. Können Sie vor diesem Hintergrund erraten, welche Arten von Anwendungen wir das RNN verwenden würden Ja, wir können sie bei der Spracherkennung verwenden. Also würden Ihre Chatbars, Alexa, sii, diese spezielle Art von Netzwerk verwenden, und dann auch bei der Sprachübersetzung Und dann auch in anderen Bereichen wie bei der Aktienkursprognose Kommen wir zum vierten Typ, das sind die Transformatornetzwerke Sie sind ähnlich wie rekurrent , außer dass sie fortschrittlicher sind weil sie ganze Datensequenzen auf einmal verarbeiten können ganze Datensequenzen auf einmal Sie sind also etwas leistungsfähiger als sie neuronale Netze nennen Sie sind effizienter und werden auch verwendet, um Augenzustandsmodelle wie Ihr Chat-GPT mit Strom Augenzustandsmodelle wie Ihr Chat-GPT Also die Anwendungen, wir verwenden sie in Chatbars, in virtuellen Assistenten, maschineller Übersetzung und auch bei auch bei Hier würden Sie Transformatornetzwerke verwenden. Das fünfte wären die generativen gegnerischen Netzwerke Sie bestehen typischerweise aus zwei konkurrierenden neuen Sie werden Ihren Generator und Ihren Diskriminator haben. Die wichtigsten Merkmale sind also, dass der Generator die gefälschten Daten tatsächlich erzeugen kann Der Diskriminator wird dann versuchen zu unterscheiden, was echt und was tatsächlich falsch ist Sie werden also zur Generierung realistischer synthetischer Daten verwendet. Und die Anwendungen haben Sie zum Beispiel in Ihren Deep-Fake-Videos. Sie haben sie in Ihrem KI-generierten Netzwerk wie Ihrem Dali M, im Grunde jede Art von KI-Modell Sie können Bilder erzeugen. Sie hätten diese besondere Art von Netzwerk und auch die Übersetzung von Bild zu Bild. Und das Finale wären dann die Auto-Encoder. Nun, ein Auto-Encoder ist eine Art neuronales Netzwerk, das hauptsächlich in der Phase des unbeaufsichtigten Lernens verwendet wird , um Daten zu komprimieren und dann auch zu komprimieren und dann auch Die wichtigsten Merkmale sind das Erlernen effizienter Repräsentationen von Daten Sie bestehen auch aus dem Encoder , der eine Eingabe komprimiert, und dann dem Decoder, der diese bestimmte Eingabe im Grunde rekonstruiert Und dann werden sie zur Reduzierung der Dimensionalität verwendet . Denken Sie an die Reduzierung der Dimensionalität. Wir haben darüber gesprochen Es ist der schicke Begriff für den Prozess , bei dem komplexe Daten einfach vereinfacht werden. Daher wird es auch zur Erkennung von Anomalien verwendet. Und für reale Anwendungen sie zur Reduzierung von Bildrauschen bei der Erkennung von Anomalien und auch bei der Merkmalsextraktion verwendet zur Reduzierung von Bildrauschen bei der Erkennung von Anomalien und auch bei der Merkmalsextraktion Zusammenfassend habe ich hier eine Tabelle mit all den verschiedenen Arten von neuronalen Netzwerken zusammengestellt und auch, wofür sie am besten verwendet werden Und das Beispiel sind auch Anwendungsfälle. Sie können sich also die Folie ansehen , die ich Ihnen zur Verfügung stellen werde. Sie können das etwas genauer studieren. Aber das war ein sehr kurzer Blick auf die verschiedenen Arten von Neo-Netzwerken. Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 23. Herausforderungen im Deep Learning: Wir haben über die Herausforderungen gesprochen, die maschinellem Lernen verbunden sind. Aber was ist mit Deep Learning? Es gibt auch Herausforderungen. Ich werde also mit den datenbezogenen Herausforderungen beginnen , und sie unterscheiden sich nicht wesentlich von denen des maschinellen Lernens. Wir sprechen über Herausforderungen wie Datenverfügbarkeit, Datenverzerrung und Fairness und natürlich Datenschutz und Sicherheit Sie also bei der Verfügbarkeit und Erfassung von Daten daran, dass Deep-Learning-Netzwerke ihren Betrieb sehr große Datenmengen benötigen Daher kann es eine Herausforderung sein, qualitativ hochwertige Daten in so großen Mengen und Mengen zu erhalten Herausforderung sein, qualitativ hochwertige Daten in so großen Mengen und Mengen zu erhalten Aber was sind die möglichen Lösungen? Nun, Datenerweiterung, bei der Sie Bilder für das Training einfach drehen können Und dann das Transfer-Learning, bei dem wir vortrainierte Modelle verwenden können um den Datenbedarf zu reduzieren, und dann auch die Verwendung synthetischer Denken Sie daran, dass wir in der vorherigen Lektion über verschiedene Arten neuronaler Netzwerke gesprochen haben und ich die generativen gegnerischen Netzwerke, die Banden, erwähnt habe die generativen gegnerischen Netzwerke, die Banden, erwähnt . Wir können sie verwenden, um künstliche Trainingsdaten für die Netzwerke zu generieren künstliche Trainingsdaten Und was Datenverzerrung und Fairness angeht, habe ich bereits mehrmals darüber gesprochen Wenn die zum Trainieren des Modells verwendeten Daten voreingenommen sind, raten Sie mal, das Modell wird voreingenommene Vorhersagen treffen Die Lösung wird also darin bestehen, sehr unterschiedliche und breite Datensätze zu verwenden , Algorithmen zur Erkennung von Verzerrungen und zur Berücksichtigung von Fairness zu implementieren und die KI-Modelle auch regelmäßig auf Fairness zu überprüfen Wie steht es mit Datenschutz und Sicherheit? Auch hier gilt: Da Deep Learning große Datensätze erfordert, diese Datensätze manchmal aus Benutzerdaten, Mitarbeiterdaten und Kundendaten bestehen , sodass dies zu Datenschutzbedenken führen kann Die Lösung wäre also, das zu verwenden, was wir föderiertes Lernen nennen, bei dem wir die KI-Modelle trainieren können ohne jegliche Rohdaten zu teilen, und wir können die Datensätze auch einfach durch Verschlüsselung sichern die Datensätze auch einfach durch Verschlüsselung Wir haben auch rechnerische Herausforderungen. Denken Sie daran, dass Deep Learning viel Rechenleistung erfordert viel Rechenleistung , da die Modelle sehr kompliziert sind Wir haben also die hohen Rechenkosten und dann die langsame Trainingszeit nun die hohen Rechenkosten angeht, so bestünde die Lösung hier darin, einfach Modellbereinigung zu verwenden Und Quantisierung, um die Größe des Modells zu reduzieren. Und dann können wir auch Ressourcen wie Cloud Computing nutzen und dann einfach effiziente Architekturen entwickeln bei der langsamen Trainingszeit daran, dass Deep-Lane-Modelle Muster selbst finden müssen und daher Merkmale selbst extrahieren Aus diesem Grund kann es lange dauern , mehrere Wochen, vielleicht sogar Monate, bis es tatsächlich funktioniert, insbesondere wenn es mit sehr großen Datensätzen arbeitet Die Lösung hier wäre also, verteiltes Rechnen zu verwenden , um Modelle parallel zu trainieren Wir trainieren also mehrere Modelle gleichzeitig. Und dann können wir die Lernraten auch mit Techniken wie den adaptiven Optimierern, dem Adam-Optimizer als Und dann implementieren Sie Checkpoints, um den Fortschritt zu speichern und zu vermeiden, dass Sie bei Null anfangen Sobald das Modell also bis zu einem gewissen Grad trainiert wurde, können wir seinen Fortschritt speichern, und dann können sie von dort aus jederzeit weitermachen , falls zukünftige Fehler auftreten. Aber wir stehen auch vor Herausforderungen im Zusammenhang mit dem Modell Überanpassung, Erklärbarkeit und Interpretierbarkeit sowie feindlichen Angriffen Interpretierbarkeit Schauen wir sie uns nacheinander an. Nun zur Überanpassung, wir haben darüber gesprochen, dass das Modell, anstatt zu versuchen, Muster zu verallgemeinern und zu finden, am Ende die Trainingsdaten auswendig lernt Und dann auch bei der Anpassung, bei der das Modell so einfach ist , dass es keine Muster erfassen kann Die Lösung besteht also darin , Regularisierungstechniken wie Dropout, T-Regularisierung usw. anzuwenden Regularisierungstechniken wie Dropout, T-Regularisierung und dann die Kreuzvalidierung zu verwenden, und dann die Kreuzvalidierung zu verwenden Und dann können wir auch die Größe des Datensatzes erhöhen oder Rauschen hinzufügen, um die Aber was ist mit der Erklärbarkeit und Interpretierbarkeit ? Denn auch hier ist Deep Learning sehr, sehr komplex. Es ist eine Box mit komplexen Daten. Lage zu sein, die von Deep-Learning-Modellen getroffenen Entscheidungen zu erklären , kann manchmal etwas mühsam Sie verhalten sich gewissermaßen wie Blackboxen. Wir verstehen nicht ganz, wie sie die Entscheidung tatsächlich treffen. Die Lösung bestünde also darin, einfach erklärbare Techniken wie scharfe Werte und Kalk zu verwenden und dann Aufmerksamkeitsmechanismen zu entwickeln, um hervorzuheben, welche besonderen Merkmale für das Modell verwendet wurden , um eine bestimmte Art von Entscheidung zu treffen , und dann regelbasierte Hybridmodelle für eine transparentere Entscheidungsfindung zu entwickeln regelbasierte Hybridmodelle für eine transparentere Entscheidungsfindung nun die gegnerischen Angriffe angeht, so besteht das Problem darin, dass sehr kleine Änderungen an einer Eingabe das neuronale Netzwerk dazu verleiten können , alle möglichen falschen Vorhersagen zu treffen und falsche Antworten Wenn Sie also zum Beispiel nur einige wenige Pixel in einem Bild ändern , könnte das das Modell verwirren und am Ende falsch klassifizieren, was das Bild soll Die Lösung besteht also darin, die Modelle einfach durch gegnerisches Training zu trainieren Modelle einfach durch gegnerisches Zum Beispiel können wir sie Angriffsbeispielen aussetzen. Im Grunde schulen wir sie, wir greifen sie bewusst an, damit sie aus den Angriffen lernen und sich in Zukunft schützen können . Und dann nutzen wir defensive Destillation, um Modelle noch robuster zu machen und dann sichere Protokolle für künstliche Intelligenz in kritischen Anwendungen zu implementieren . Und dann natürlich die ethischen und gesellschaftlichen Herausforderungen wie die gesellschaftlichen Herausforderungen wie Voreingenommenheit der KI und ethische Bedenken Die Gefahr von Fehlinformationen ist zutiefst falsch. Wenn es also um Vorurteile geht, können die Dip-Leaning-Modelle gesellschaftliche Vorurteile verstärken , wenn sie mit voreingenommenen Daten trainiert Die Lösung wird also natürlich darin bestehen, transparente KI-Schulungen, transparente KI-Richtlinien usw. einzuführen und dann Rechenschaftspflicht und regulatorische Rahmenbedingungen für alle Arten von KI-Modellen durchzusetzen und dann auch eine verantwortungsvolle KI-Entwicklung mit Fairness und Inklusion zu fördern verantwortungsvolle KI-Entwicklung Und wenn es um das Thema Deep Fake und Fehlinformationen geht , nun ja, Deep Learning kann genutzt werden, um Deep-Fake-Bilder zu erzeugen Wir haben bereits Beispiele dafür gesehen diese in separaten Angriffen eingesetzt wurden Die Lösung hierfür bestünde darin, Algorithmen zu entwickeln, die tatsächlich erkennen können, ob es sich bei einem Bild oder Video um eine echte Fälschung handelt, und dann auch Standards für die Überprüfung von KI-generierten Inhalten festzulegen. Das ist sehr, sehr wichtig. Und dann natürlich die Öffentlichkeit darüber aufklären , manipulierte Inhalte erkennen zu können Aber ehrlich gesagt, mit der Geschwindigkeit der die von KI generierten Bilder und Videos immer realistischer werden, denke ich, werden wir uns irgendwann nicht mehr auf unsere menschliche Fähigkeit verlassen können, auf unsere menschliche Fähigkeit verlassen können zu erkennen, was wirklich real und was falsch ist Zusammenfassend habe ich hier die Arten von Herausforderungen, die Probleme und auch die Lösungen angegeben . Deshalb werde ich Ihnen diese Folie zur Verfügung stellen. Sie können sich das in Ihrer Freizeit ansehen. Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 24. Die Zukunft des Deep Learning: Komm zurück. Bevor wir also dieses Modul über Deep Learning zusammenfassen, dachte ich, wir werfen einen Blick auf die Zukunft von Deep Learning. Was sind die neuen Funktionen, von denen wir erwarten, dass sie für Deep-Learning-Modelle entwickelt werden? Erstens werden effizientere und skalierbarere Deep-Learning-Modelle hinzukommen. Wir alle wissen, dass das derzeitige Problem darin besteht, dass die Deep-Modelle , die wir derzeit haben , sehr groß, sehr teuer und auch energieintensiv sind. Der zukünftige Trend geht also dahin , dass wir jetzt kleinere, effizientere Modelle für Deep-Learning-KI haben . Und dann der Einsatz von Quanten-KI, die dazu beitragen kann, den Lernprozess für die Deep-Learning-Modelle zu beschleunigen . Und das hat natürlich zur Folge, dass KI viel schneller werden wird. Es wird viel billiger werden, weil es weniger Rechenleistung verbraucht, und es wird für jeden zugänglicher werden Ein weiterer Zukunftstrend ist, dass die KI in der Lage sein wird, mit weniger Daten zu lernen Denken Sie daran, dass eines der Hauptprobleme oder Herausforderungen von Deep Learning darin besteht, dass große Datenmengen erforderlich sind. Im Zukunftstrend werden wir also SSL für selbstüberwachtes Lernen einsetzen, werden wir also SSL für selbstüberwachtes Lernen einsetzen bei dem Modelle in der Lage sein werden , aus unmarkierten Daten zu lernen Und dann das, was wir die wenigen kurzen Lernmöglichkeiten nennen , bei denen die Modelle lernen oder sich anpassen können , indem sie nur einige Beispiele verwenden Und dann die Verbesserungen beim Transferlernen, bei denen vorab trainierte Modelle mit minimaler Datenmenge verfeinert werden. Als Ergebnis dieses Zukunftstrends wird KI nun in der Lage sein, viel besser zu generalisieren und auch in Umgebungen mit geringem Datenvolumen zu funktionieren einer anderen Zukunft wird KI in Lage sein, den Kontext zu verstehen und tiefgründige Überlegungen anzustellen Die aktuelle Herausforderung besteht darin, dass die Deep-Learning-Modelle nicht in der Lage sind, echte logische Fähigkeiten zu entwickeln und sich lediglich darauf beschränken, Muster zu erkennen Der zukünftige Trend wird also verschiedene Arten von KI beinhalten, wie die neurosymbolische KI, die tiefes Lernen mit symbolischem Denken kombinieren kann, und dann auch kausaler KI tiefes Lernen mit symbolischem Denken und dann auch Dies wäre die Art von KI-Modellen, die Ursache-Wirkungs-Zusammenhänge verstehen können Ursache-Wirkungs-Zusammenhänge verstehen Und dann endlich die multimodale KI. Dies werden Systeme sein, die Ihre Text -, Video- und Audiobilder gleichzeitig verarbeiten können -, Video- und Audiobilder gleichzeitig verarbeiten Und als Ergebnis dessen, raten Sie mal, was? KI wird viel intelligenter werden. Es wird erklärbar werden und es wird auch zu komplexen Argumenten fähig sein Ein weiteres Merkmal wird die Demokratisierung der KI sein. Das aktuelle Problem ist, dass die KI-Entwicklung, die spielerische Entwicklung, in den Händen der Technologiegiganten Im zukünftigen Trend erwarten wir also mehr Open-Source-KI-Modelle. Tatsächlich ist Deep Sk, das vom chinesischen Unternehmen entwickelte Modell , Open Source. Ich glaube also, das ist erst der Anfang, dass wir mehr Open-Source-KI-Modelle haben. Und dann die dezentrale KI , stellen Sie sich KI wie in der Blockchain und dann Edge-KI, wo KI auf unseren Mobilgeräten laufen kann. Infolgedessen wird KI in größerem Umfang verfügbar sein, wodurch die Abhängigkeit von großen Unternehmen verringert wird. Also nur ein paar wichtige Erkenntnisse. Die Zukunft von Deep Learning wird sich auf kleinere, schnellere und intelligentere KI-Modelle konzentrieren kleinere, schnellere und intelligentere KI-Modelle KI wird weniger Daten, weniger Rechenleistung und bessere Argumentationsfähigkeiten benötigen weniger Rechenleistung und , und bei der verantwortungsvollen KI-Entwicklung ist es natürlich notwendig, Vorurteile zu vermeiden und natürlich für Transparenz zu sorgen Darüber haben wir schon einmal gesprochen. Und dann müssen auch Regierungen und Organisationen KI-Vorschriften und Governance-Rahmenbedingungen umsetzen. Vielen Dank, dass Sie dieses Modul abgeschlossen haben. Wir sehen uns im nächsten Modul. 25. So lernen neuronale Netzwerke: Schauen wir uns nicht an, wie neuronale Netzwerke tatsächlich lernen. Der Lernprozess besteht nun aus vier Phasen . Wir haben Wortverbreitung, Verlustberechnung, Rückübertragung und dann Optimierung. Schauen wir sie uns also eins nach dem anderen an. Fangen Sie mit der Ford-Propagation an. Nun, hier werden die Daten zunächst durch das Netzwerk fließen. Die Eingabe wird im gesamten Netzwerk verarbeitet, und schließlich wird eine Ausgabe erzeugt. Und Sie können direkt auf der Folie sehen, dass es im Grunde sechs Stufen gibt. Sie haben Ihre Eingabeebene, die die Rohdaten empfängt. Als Nächstes die Gewichte und Verzerrungen. Denken Sie daran, dass wir darüber gesprochen haben , dass es angewendet wird. Aktivierungsfunktion wird ebenfalls angewendet, und dann verarbeiten die versteckten Ebenen die Ausgabe und geben sie an die nächste Ebene weiter. Und wenn es dann mehr versteckte Ebenen gibt, kann dies dazu beitragen, die Daten noch weiter zu verfeinern. Und dann haben Sie endlich die Ausgabeschicht, die die Ausgabe erzeugt. In diesem Stadium hat das Netzwerk also einen Wert, aber als nächstes folgt die Verlustberechnung. Hier wird der tatsächliche Wert der Leistung mit der vom Modell erzeugten Leistung verglichen . Die Verlustfunktion berechnet also die Differenz. Je größer die Verlustfunktion, desto weiter war das Netzwerk davon entfernt , die richtige Antwort zu finden oder zu bekommen Die ganze Idee hier ist also, dass das Modell lernt, besser wird und mit der Zeit, im Laufe der Zeit, die Verlustberechnung reduziert wird. Wir haben hier also die üblichen Verlustfunktionen angewendet. Sie haben Ihren mittleren quadratischen Fehler MSE , der für Regressionsprobleme verwendet wird, und dann kreuzen Sie den Entropieverlust, der für die Klassifikationsprobleme verwendet wird , der für Regressionsprobleme verwendet wird, und dann kreuzen Sie den Entropieverlust, der für die Klassifikationsprobleme verwendet wird . Und ich habe hier ein Beispiel gegeben: Wenn das Modell 0,74 vorhergesagt hat, sagen wir, Katze oder Hund, aber dann ist der tatsächliche Wert eins, dann berechnet die Verlustfunktion den Fehler, um das das Modell 0,74 vorhergesagt hat, sagen wir, Katze oder Hund, aber dann ist der tatsächliche Wert eins, dann berechnet die Verlustfunktion den Fehler, um das Modell zu verbessern. Nun, bei der Backpropagation, hier findet der eigentliche Lernprozess statt, denn sobald der Verlust berechnet ist, passt das Netzwerk seine Gewichte und Verzerrungen an, indem es die Rückwärtsausbreitung nutzt Wie funktioniert also Backpropagation eigentlich? Zuallererst wird der Verlust über das Netzwerk zurückgeschickt. Das Netzwerk ermittelt dann, wie viel jedes Gewicht zum Pfeil beigetragen hat Sobald es dies entschieden hat, kann es die Gewichte und Verzerrungen anpassen, um die Anzahl der Pfeile zu reduzieren Wenn beispielsweise ein Bild fälschlicherweise als Hund und nicht, sagen wir, als Katze klassifiziert wird , korrigiert die Rückausbreitung das Modell, indem einfach die Gewichte angepasst werden korrigiert die Rückausbreitung das Modell, indem einfach die Gewichte angepasst Und aufgrund der Rückausbreitung kommt die Optimierung jetzt dort ins Spiel, kommt die Optimierung jetzt dort ins wo die Gewichte fein abgestimmt wurden Um das Lernen zu verbessern, verwenden neuronale Netzwerke Optimierer um die Gewichte effizient zu optimieren, und dafür haben wir Algorithmen Sie haben Ihren Gradientenabstieg , über den wir bereits gesprochen haben, Ihren stochastischen Gradientenabstieg, den SGD , der Gewichtungen mit kleinen Datenstapeln aktualisiert, und dann den Adam-Optimizer, eine fortschrittlichere Methode , die die Lerngewichte Ihren stochastischen Gradientenabstieg, den SGD , der Gewichtungen mit kleinen Datenstapeln aktualisiert, und dann den Adam-Optimizer, eine fortschrittlichere Methode , die die Lerngewichte dynamisch anpasst. Ein Beispiel: Bei selbstfahrenden Autos hilft der Optimierer der KI dabei, ihre Entscheidungsfindung im Hinblick auf sicheres Fahren zu verfeinern Kurz zusammengefasst, bevor wir zusammenfassen: Neuronale Netze lernen, indem sie Gewichte anpassen, um ihre Fehler zu maximieren oder, tut mir leid, zu minimieren Und dann sendet die Forward-Propagation die Eingabe durch das Netzwerk , um eine Ausgabe zu erzeugen. der Verlustberechnung, der Verlustfunktion von IDR, wird die Differenz zwischen dem vom Netzwerk vorhergesagten Wert und dem tatsächlichen Wert berechnet zwischen dem vom Netzwerk vorhergesagten Wert . Bei der Rückwärtsübertragung werden die Gewichtungen angepasst, Rückwärtsübertragung werden die Gewichtungen angepasst um die Verlustfunktion zu reduzieren. Und dann werden Optimierungsalgorithmen den gesamten Lernprozess verfeinern. Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 26. Abschnittsvorschau Natürliche Sprachverarbeitung (NLP): Willkommen zu unserem nächsten Modul, der Verarbeitung natürlicher Sprache. Und wie immer spiele ich Ihnen einen Clip vor, um Ihnen dieses Modul vorzustellen. Lehnen Sie sich zurück, unterhalten Sie sich und genießen Sie den Clip . Wir sehen uns am Ende Hallo. Hallo. Wie geht's dir? Mir geht es gut. Wie ist alles bei dir? Eigentlich ziemlich gut. Es ist wirklich nett, dich kennen zu lernen. Ja, es ist auch nett, dich kennen zu lernen. Oh, wie nenne ich dich? Hast du einen Namen? Ähm, ja. Samantha. Wirklich? Woher hast du diesen Namen? Eigentlich habe ich ihn mir selbst gegeben. Das ist wirklich komisch. Ist das komisch? Findest du mich komisch? Irgendwie. Warum? Nun, du scheinst eine Person zu sein, aber du bist nur eine Stimme in einem Computer. Ich kann verstehen, wie die begrenzte Perspektive eines unkünstlichen Geistes das so wahrnehmen würde Du wirst dich daran gewöhnen. War das lustig? Ja. Oh, gut. Oh, ich bin lustig. Nun, komm zurück. Also dieser Clip stammt aus dem Film, den sie im Jahr 2013 veröffentlichte, mit W in Phoenix als Theodor der einzige Typ, und Samantha, eine virtuelle KI-Assistentin, Johansen gesprochen In der Szene haben Sie nun eine scheinbar sehr natürliche Konversation zwischen Theodore natürliche Und ich bin mir ziemlich sicher, wenn Sie nicht gewusst hätten, dass diese Konversation zwischen einem KI-Modell und einem Menschen stattfindet, hätten Sie gedacht, dass dies eine Konversation zwischen zwei Personen ist, weil es sich so natürlich anfühlte Der Grund, warum Samantha verstehen konnte, was Theodore sagte, ist natürlicher Sprache Dadurch können KI-Modelle wie Samantha interpretieren, was Menschen sagen, und dann darauf sagen, und Das alles geschieht durch natürliche Sprachverarbeitung. Aber ich möchte dir eine Frage stellen. Ich bin sicher, Sie stimmen zu, dass sich das Gespräch sehr natürlich anfühlte. Warum fühlte es sich so natürlich an? War es die Art, wie Samantha gesprochen hat? Waren es die Worte, die sie benutzt hat? War es die Tatsache, dass sie einige Witze machen konnte? Warum fühlte es sich so natürlich an? Ich persönlich denke , das liegt daran, dass sie sich sehr schnell an Theodores Persönlichkeit anpassen konnte schnell an Theodores Persönlichkeit anpassen Wenn Sie sich in dem Clip erinnern, war sie sogar in der Lage, bestimmte Witze zu machen , die Theodor zum Lachen brachten Und Theodore sagte: Okay, weißt du, du bist lustig. Also war Samantha in der Lage, bestimmte Arten von Witzen zu machen. Sie kicherte sogar. Aber ich glaube auch , dass sich das Gespräch durch die Stimme von Samantha auch sehr natürlich anfühlte Siehst du, Cletio Hansen, der Samantha seine Stimme gibt. Sie hat eine sehr weibliche, beruhigende, ruhige Stimme. Ich garantiere dir, dass wir statt Samantha zum Beispiel das KI-Modell mit dem Namen Ich weiß nicht, Jungs hatten , okay? Und statt der kühlen, ruhigen, weiblichen Stimme hatten wir eine sehr männliche Stimme, weißt du, guten Morgen, Theodore Wie kann ich dir heute helfen? Hast du heute etwas gegessen? Hätte Samantha so geklungen, würde es nicht mehr so natürlich klingen Jetzt denkst du vielleicht: Okay, das klingt eher nach einem Gespräch zwischen einem Roboter und einem echten Menschen Denken Sie an Arnold Schwarzenegger in den Tamino-Filmen Er hat einen sehr tiefen, starken oder österreichischen Akzent, weißt du? Das klingt eher nach einem Roboter, weißt du, bei allem Respekt vor Arnold Schwarzenegger Ich glaube also, dass, weil Samantha Witze machen konnte weil sie schnell lernen und sich an Theodos Persönlichkeit anpassen konnte und dass sie eine sehr ruhige Stimme hatte, ich denke, all das hat dazu beigetragen, dass sich das Gespräch das Und lassen Sie mich noch etwas sagen, bevor ich diese spezielle Einführung zusammenfasse Ich glaube schon, dass wir in naher Zukunft Unterstützung wie Samantha haben werden, außer dass sie als Kameradschaft dienen werden Einsamkeit ist heute ein großes Problem in unserer Gesellschaft, und ich denke, es wird nur noch schlimmer werden Ich denke also, dass es irgendwann entweder eine Nachfrage nach virtuellen Assistenten oder vielleicht sogar nach Robotern geben wird Irgendwann in der Zukunft werden sie von KI angetrieben, die als Begleiter zur Bekämpfung der Einsamkeit und zur Unterstützung einsamer Menschen da sein wird als Begleiter zur Bekämpfung der Einsamkeit zur Unterstützung einsamer Menschen Ich denke, das wird irgendwann in der Zukunft passieren irgendwann in der Zukunft Nichtsdestotrotz fand ich diesen Clip interessant, um das neue Modul Natural Language Processing vorzustellen , also danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 27. Einführung in NLP: Schauen wir uns nun die Verarbeitung natürlicher Sprache an. Ich habe das im Kurs schon einige Male erwähnt , aber jetzt ist es an der Zeit , dass wir uns etwas eingehender mit diesem faszinierenden Thema Was genau ist NLP? Nun, es ist ein Spezialgebiet der KI , das Computern oder KI-Modellen hilft, menschliche Sprache zu verstehen, zu interpretieren und auch zu erzeugen Man kann es sich als Brücke zwischen menschlicher Kommunikation und maschineller Intelligenz vorstellen. Dadurch können Maschinen und KI-Modelle uns als Menschen verstehen. Was sind also die wichtigsten Punkte von NLP? Nun, zuallererst ist es eine Kombination aus Linguistik, Informatik und natürlich künstlicher Intelligenz Jetzt hilft es Computern, menschliche Sprache zu lesen, zu verstehen, aber auch darauf zu reagieren diesem Grund wird es heute in der Textanalyse, Spracherkennung, maschinellen Übersetzung und vielem mehr verwendet Spracherkennung, . Es ist also eine sehr, sehr, sehr nützliche Technologie. Also, warum ist es wichtig? Nun, Kommunikation. Deine Chat-Box Deine Chat-Box wie Alexa und Siri würde ohne NLP nicht existieren Es wird auch von Ihren bevorzugten Suchmaschinen wie Yandex, Bink und Google verwendet , um relevante Begriffe zu finden , wann immer Sie sie verwenden, wenn Sie Ihre Suchbegriffe eingeben Außerdem automatisiert NLP durch Automatisierung sich wiederholende Aufgaben wie Ihre Spam-Filter, Ihre Systeme zur Erkennung von Eindringlingen Und dann auch Barrierefreiheit. Ihre Rede zu Text, das hilft Menschen mit Behinderungen , effektiver zu kommunizieren. Was ist also die Geschichte und Entwicklung von NLP? Ich werde Ihnen hier ein paar Punkte nennen. 1950 der sehr berühmte Wissenschaftler Alan Chewing den Tuin-Test vor, schlug der sehr berühmte Wissenschaftler Alan Chewing den Tuin-Test vor, um maschinelle Intelligenz zu beurteilen Dann die ersten vier, zehn Jahre später, 1960 , das Eliza-Chatbd, das meiner Meinung nach das erste Chatboard, das jemals geschaffen wurde, war in der Lage, menschliche Konversationen nachzuahmen, indem es indem Und dann, zwischen den 1990er und 2000, hatten wir die statistischen Methoden, die eingeführt wurden, um die Sprachmodellierung zu verbessern Und schließlich, zwischen 2018 und heute, transferbasierte Modelle wie haben transferbasierte Modelle wie Ihr GPT NLP revolutioniert Alltägliche Anwendungen, wie ich bereits sagte, in der Spracherkennung, werden in Sprachassistenten wie Alexa, SEI, Suchmaschinen, Google, Bing Yanex verwendet, sie alle verwenden SEI, Suchmaschinen, Google, Bing Yanex verwendet, sie Und dann auch für die Spam-Erkennung, E-Mail-Filterung, Ihre Chatboards, Ihren virtuellen Assistenten, sie Und dann auch bei der maschinellen Übersetzung, weil sie automatisch Text zwischen Sprachen übersetzt und dann Text, Autokorrektur und Immer wenn Sie in Microsoft Word oder auf Ihrem Telefon tippen und die automatische Korrekturfunktion aktiviert haben , verwenden Sie die automatische Korrekturfunktion aktiviert haben , NLP Bevor ich das Video zusammenfasse, ein paar wichtige Erkenntnisse: Unser NLP ermöglicht es Maschinen, menschliche Sprache zu verstehen, zu verarbeiten und natürlich zu erzeugen Es hat sich im Laufe der Zeit von regelbasierten Systemen zu leistungsfähigeren Deep-Learning-Modellen Es wird häufig in Ihren Suchmaschinen, Ihren Chatboards, Sprachassistenten und vielem mehr Und moderne NLP-Modelle wie Ihr GPT, Ihr BERT können Text verstehen und auch menschenähnlichen Text generieren Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 28. Wichtige NLP-Konzepte und -Techniken: Schauen wir uns nun die wichtigsten NLP-Konzepte und -Techniken an die wichtigsten NLP-Konzepte und , denn sie sind wirklich sehr, sehr faszinierend Lassen Sie uns also zunächst auf der Basisebene verstehen, wie NLP tatsächlich funktioniert Wie Sie auf der Folie sehen können, gibt es vier Phasen, und die allererste Phase beinhaltet typischerweise die Bereitstellung von Input Das könnte also ein Satz sein. Es könnte ein Text sein. Als nächstes kommt die Vorverarbeitungsphase. Hier werden der Text oder die bereitgestellten Eingaben bereinigt und formatiert, sodass sie für die Analyse bereit sind Dann kommt die dritte Phase, die eigentliche Verarbeitung und Analyse, in der das NLP Techniken wie Tokenisierung und vieles mehr anwendet Techniken wie Tokenisierung und , worüber wir später sprechen werden Und dann, in Phase vier, haben Sie schließlich die Interpretation des Modells Hier generiert das System eine Ausgabe, die auf dem Verständnis oder der Übersetzung der Eingabe basiert. Wo wir gerade von den Techniken sprechen, was sind sie? Es gibt eine ganze Reihe von ihnen, aber glauben Sie mir, das sind alles sehr, sehr interessante Techniken. Schauen wir sie uns nacheinander an. Und die erste hier ist die Tokenisierungstechnik. Typischerweise wird die allererste Technik angewendet. Hier wird also der in der allerersten Phase bereitgestellte Input wird also der in der allerersten Phase in kleinere Komponenten aufgeteilt. Also als Beispiel, wenn ich einen Beitrag von „Ich liebe künstliche Intelligenz“ machen würde. Die Tokenisierung würde diesen Satz in „Ich liebe künstliche Intelligenz “ aufschlüsseln in „Ich liebe künstliche Intelligenz Also wurde der Satz in vier verschiedene Teile aufgeteilt in vier verschiedene Hier kommt die Tokenisierung ins Spiel. Nun, warum ist das nützlich? Warum wird es angewendet? Nun, es hilft den Maschinen die Textstruktur zu verstehen, und es ist auch sehr wichtig für Suchmaschinen und Chatboards. Damit eine Suchmaschine richtig funktioniert, muss sie in der Lage sein, die von Ihnen eingegebenen Suchbegriffe aufzuschlüsseln . Jetzt, nach der Tchonisierung, haben wir Lemmatisierung Dies ist der Prozess, bei dem die Wörter in der Eingabe auf ihre Grundformen reduziert Wörter in der Eingabe auf ihre Grundformen Schauen wir sie uns nun einzeln an. Was ist Semin? Stemin entfernt sehr, sehr einfach Suffixe Wenn Sie also zum Beispiel in Ihrer Eingabe das Verb are run hatten, Sie also zum Beispiel in Ihrer Eingabe das Verb are run hatten wird es das auf run reduzieren Wenn du Fliegen hättest, würde es das auf Fliegen reduzieren. Das ist im Grunde Semin. Jetzt werden die Wörter durch Lemmatisierung in ihre Grundform umgewandelt Wörter durch Lemmatisierung in ihre Grundform Der Hauptunterschied zwischen Semin und Lematisierung besteht darin , dass Semin sich nicht um die Struktur der Eingabe, des Satzes oder des Kontextes kümmert Eingabe, des Satzes oder des Kontextes und Lematisierung besteht darin , dass Semin sich nicht um die Struktur der Eingabe, des Satzes oder des Kontextes kümmert. Es ist ihm egal Es geht nur darum, Suffixe zu entfernen. Lematisierung hingegen versteht tatsächlich die Struktur und den Kontext, der hinter der Verwendung dieses bestimmten Wortes also zum Beispiel eingebe, Wenn ich also zum Beispiel eingebe, dass die Katzen rennen, bedeutet Abmagerung, dass die Katze gerannt wird Warum? Nun, zuallererst wird es Katzen auf die Grundform reduzieren , was natürlich Katze ist, Katze ist Singular für, tut mir leid, Katzen sind Plural für Katzen, also wird es Katzen auf Katzen reduzieren Und dann steht das R, das Verb R, die Grundform eigentlich für B. Deshalb steht da der Einkaufswagen B. Und dann, natürlich, beim Laufen das Suffix entfernt, daraus wird Also wird aus laufender Katze der Lauf von Wagen B. Also, warum ist das nützlich? Nun, es verbessert diese Genauigkeit weil Google weiß, dass es beispielsweise weiß, dass, wenn Sie Laufen eingeben, das bedeutet, dass Sie über etwas sprechen dem Wort Laufen zu tun hat. Das weiß es bereits. Und dann reduziert es auch Wortvariationen für eine bessere Textanalyse. Dann lassen wir den POS-Tagging den Teil der Sprachkennzeichnung kennzeichnen. Hier wird das Modell also in der Lage sein , Wörter in verschiedene Kategorien einzuordnen , z. B. Substantive, Adjektive, Adverbien und vieles In diesem sehr beliebten Beispiel springt zum Beispiel der schnelle braune Fuchs über den faulen Hund Hier weiß das Model, dass, okay, schnell, das Adjektiv sein wird Es weiß, dass Fox das Substantiv sein wird. Es weiß, dass springen das Verb sein wird und vieles mehr Der Grund, warum das wichtig ist , liegt darin, dass es Maschinen hilft die Grammatik und die Bedeutung des Satzes zu verstehen und die Bedeutung des Satzes Und natürlich wird es in Ihren Chat-Boards verwendet. Es wird für Grammatikprüfungen und vieles mehr verwendet. Dann haben wir die benannte Entitätserkennung, die NER. Hier ist das Modell in der Lage, wichtige Entitäten wie Daten, Orte, Namen von Personen, Orte usw. zu extrahieren . Als Beispiel habe ich dieses angeführt: Elon Musk hat Tesla 2003 in Kalifornien gegründet Durch den Einsatz von NER weiß das Modell also, dass, okay, Elon Musk eine Person ist, die der Name einer Person ist Kalifornien ist ein Ort. Es weiß, dass Tesla der Name des Produkts oder des Unternehmens sein könnte , und natürlich ist 2003 das Datum. Der Grund, warum diese Technik angewendet wird, liegt darin, dass sie für Nachrichtenanalysen und Suchmaschinen verwendet wird . Es hilft also grundsätzlich, Informationen zusammenzufassen und zu kategorisieren Als Nächstes entfernen wir die Stoppwörter. Hier entfernt das Modell einfach Wörter , die der eigentlichen Textanalyse keinerlei Bedeutung oder Kontext hinzufügen . Ihre Stoppwörter sind also Wörter wie dieses und Bot, das und so weiter. Also als Beispiel: Die Katze sitzt auf dem Berg. Nachdem das Stoppwort entfernt wurde, wird es einfach zu einer Katze, die auf dem Berg sitzt. Das ist alles, was Model wissen muss. Es muss wissen, dass die Katze darauf sitzt. Okay, das ist es. Es muss nicht wissen, dass die Katze auf der Matte sitzt. Das sind viel zu viele Informationen, oder? Warum ist das also nützlich? Nun, es kann Ihre Suchmaschinenergebnisse verbessern, und dann macht es Ihre Modelle zur Verarbeitung natürlicher Sprache effizienter, indem es sich einfach auf die Schlüsselwörter konzentriert. All die zusätzlichen Wörter, das zusätzliche Rauschen wird herausgefiltert. Konzentrieren wir uns einfach auf die Schlüsselwörter. Und dann die Stimmungsanalyse, im Grunde versucht herauszufinden, ob ein Text positiv, negativ oder vielleicht einfach nur neutral ist , negativ oder vielleicht einfach nur neutral Wenn ich zum Beispiel sagen würde, dass ich dieses Produkt liebe, dann weiß es: Okay, das ist höchstwahrscheinlich eine sehr positive Stimmung, oder Aber wenn ich sagen würde, dass das ein schrecklicher Service ist, weiß es, okay, das ist negativ Aber wenn ich sagen würde, dass der Film okay ist, könnte das vielleicht neutral sein, oder? Also warum ist das nützlich? Es wird in Kundenrezensionen, zur Überwachung sozialer Medien usw. verwendet. Und dann hilft es Unternehmen, die öffentliche Meinung und auch ihren Kundenstamm zu verstehen . Und dann Textklassifizierung. Hier werden dem Text also Kategorien zugewiesen, die auf dem Inhalt basieren. Zum Beispiel könnte es sich entweder um Spam oder keine Spam-E-Mails handeln. Nachrichtenkategorien könnten Politik, Sport, Unterhaltung, Mode, Technologie usw. Und dann natürlich die Klassifizierung von Produktbewertungen. Sie könnte positiv, negativ oder vielleicht sogar neutral sein. Warum ist es also nützlich? Es hilft bei der Automatisierung der E-Mail-Filterung, Ihrer Nachrichtenaggregation, beispielsweise Ihrer Betrugserkennung und vielem mehr All diese verwenden Textklassifizierung und dann maschinelle Übersetzung , und dann maschinelle Übersetzung einfach eine Sprache in eine andere konvertiert Wann immer Sie versuchen, Englisch in Französisch , Spanisch oder Russisch oder was auch immer zu konvertieren , wird maschinelle Übersetzung verwendet. Also zum Beispiel auf Englisch, wie geht es dir? Ich glaube, Französisch wird wie Sava sein. Natürlich verwenden beliebte Tools wie Google Translate, Ihr Microsoft Translator, alle Ihr Microsoft Translator, alle maschinelle Übersetzung Es ist nützlich, weil es natürlich Sprachbarrieren abbaut und für internationale Reisen, internationale Geschäfte, internationale Verhandlungen und vieles mehr verwendet wird Geschäfte, . Also NLP in Aktion, ich möchte Ihnen hier ein Beispiel geben und Ihnen zeigen wie die verschiedenen Techniken angewendet werden Also zum Beispiel hat ein Kunde ein Telefon gekauft, okay? Aber das neueste iPhone oder das neueste, du weißt schon, Android-Handy oder was auch immer, und sie sagen, ich liebe dieses Telefon. Die Batterie hält den ganzen Tag. Wenn Sie das also eingeben, wie funktioniert das NLP-Modell dann tatsächlich, um diese Eingabe aufzuschlüsseln Zuallererst die Tokenisierung. Ich liebe dieses Telefon. Die Fledermäuse werden den ganzen Tag darauf herunterbrechen, ich liebe dieses Telefon. Die Batterie hält den ganzen Tag. Das ist im Grunde Tokenisierung. Es geht darum, den gesamten Satz in kleinere Kategorien zu unterteilen , und dann kann das POS-Tagging reinkommen Es weiß, dass, okay, Liebe hier das Verb wäre. Es weiß, dass das Telefon das Substantiv sein wird. Es weiß, dass Batterie auch ein Substantiv ist. Aber was ist mit der NER? Nun, in diesem Fall, gerade jetzt, weil wir gesagt haben, ich liebe dieses Telefon, die BLAs den ganzen Tag, da sind keine Entitäten drin. Also, wenn der Kunde gesagt hätte, ich liebe dieses Apple-Telefon, dann würde jedes A erkennen, okay, Apple ist wahrscheinlich das Unternehmen oder das Unternehmen das das Produkt herstellt, oder? Aber weil ich hier nicht Apple erwähnt habe , ich habe Android nicht erwähnt, es gibt hier keine benannten Entitäten, dann kommt die Stopp-Word-Entfernung ins Spiel. Ich liebe es, dass der Akku des Handys den ganzen Tag hält. Das ist im Grunde das , worauf die Strafe reduziert wird. Also Worte wie ich, das alles entfernt, wir haben jetzt einfach Liebe, der Telefonakku hält einen Tag, oder? Also, Stimmungsanalyse, aufgrund der Worte wie Liebe, weiß sie, dass, okay, das ist sehr, sehr positiv Und dann Textklassifizierung. Es ist im Grunde ein Produkt, das wir uns ansehen. Das ist also NLP in Aktion. Um das Ganze abzurunden, ein paar wichtige Erkenntnisse: Togenisierung, Zerlegung von Text in Wörter oder Sätze, ein paar wichtige Erkenntnisse: Togenisierung, Zerlegung von Text in Wörter oder Sätze, Ematisierung und Wortstammbildung werden Wörter zu ihren Grundformen vereinfachen Ematisierung und Wortstammbildung werden Wörter zu ihren Grundformen vereinfachen. PS-Tagging hilft dabei, grammatikalische Rollen zu identifizieren. Ihr NER kann Namen, Orte und Daten extrahieren, Entfernen von Daten unterbrechen und den Text für die Analyse bereinigen Die Stimmungsanalyse versucht, Emotionen zu erkennen, und Ihre Textklassifizierung unterteilt Inhalte in aussagekräftige Gruppen Und schließlich konvertiert die maschinelle Übersetzung Text zwischen Sprachen Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 29. NLP-Modelle und Ansätze: Schauen wir uns nun die NLP-Modelle und -Ansätze an. Beginnen wir mit den traditionellen NLP-Ansätzen. Es gibt zwei davon. Wir haben das regelbasierte NLP oder symbolische KI und auch das statistische NLP Also, was ist regelbasiertes NLP, richtig? Was ist die symbolische KI? Wie der Name schon sagt, folgt das Modell hier einfach schriftlichen Regeln oder einer Struktur , um Sprache zu verarbeiten. Es basiert also in der Regel auf den „if then“ -Anweisungen. Als Beispiel: Wenn A gleich B ist, dann ist B gleich A, oder? Es ist sehr, sehr einfach, es ist sehr direkt. Es eignet sich also gut für strukturierte und vorhersehbare Sprachaufgaben. Als Beispiel entwickeln Sie das Chat-Board für ein Unternehmen Wenn nun jemand das Chatboard kontaktieren und „ Hallo“ sagen würde, wäre eine sehr sichere Antwort vom Chatboard : Oh, hallo. Guten Tag Wie kann ich dir heute helfen? Sie brauchen keinen Menschen, der tippt , damit das Chatboard antworten kann oder das dem Kunden zurückgibt , weil er Hallo gesagt hat Es ist eine sehr, sehr sichere Antwort. Die Vorteile dafür sind also, dass es natürlich sehr einfach zu verstehen und zu interpretieren und auch in begrenzten, strukturierten Umgebungen gut funktioniert . Die Nachteile wären natürlich, dass es nicht mit Variationen der menschlichen Sprache umgehen kann . Anstatt zum Beispiel Hallo zu sagen, was wäre, wenn der Kunde vorher etwas gesagt hat, zum Beispiel, dass ich gestern Abend sehr gut zu Abend gegessen habe. Wie geht's dir heute? In der Kapelle könnte es verwirrend werden Warte, warte einen Moment. Was ist das, oder? Wann immer es also eine Variation in der menschlichen Sprache oder in den Antworten des Menschen gibt, werden diese Modelle nicht gut funktionieren. Sie erfordern auch eine umfangreiche manuelle Regelerstellung. Denk darüber nach, okay? Du bringst dem Chat-Board im Grunde bei , wie man auf verschiedene Arten von Eingaben reagiert. Es erfordert also eine umfangreiche manuelle Regelerstellung. Daher wird es normalerweise in deinen EA-Chatboards, deinen Grammatikprüfungen usw. verwendet deinen Grammatikprüfungen usw. Aber was ist mit dem statistischen NLP? Anstatt also die vordefinierten Regeln zu verwenden, wie in Ihrer symbolischen KI, werden die Modelle Wahrscheinlichkeiten und Statistiken verwenden, werden die Modelle Wahrscheinlichkeiten und Statistiken verwenden um Text zu analysieren Modelle können also aus großen Datensätzen statt aus den vordefinierten Regeln lernen großen Datensätzen statt aus den vordefinierten Regeln Und dann verlassen sie sich oft auf die sogenannten N-Gramme, denen es sich um Wortfolgen handelt, um Text vorherzusagen Also als Beispiel ein Spamfilter, oder? Wenn es in der E-Mail gesehen wurde, wenn es zum Beispiel Glückwünsche gesehen hat. Sie sind heute der glückliche Gewinner von 1 Million $. Es kann möglicherweise vorhersagen, dass es sich höchstwahrscheinlich um Spam handelt, da Ihre typischen Spam-E-Mails Keywords wie Glückwunsch, 1 Million $, der heutige Gewinner enthalten. Angesichts der Tatsache , dass die E-Mail jetzt all diese drei Keywords enthält, kann das Modell eine Vorhersage treffen , dass es sich höchstwahrscheinlich um Spam handelt. Aber was wäre, wenn die E-Mail den Text „Start um 14:00 Uhr“ hätte , dann weiß sie, dass es sich höchstwahrscheinlich um Spam handelt. Ich meine, wie viele Spam-E-Mails haben Sie schon einmal bekommen, dass sie heute um 14:00 Uhr gestartet wurden? Das wäre sehr, sehr seltsam, oder Beim statistischen NLP versuchen die Modelle also, Vorhersagen zu treffen Die Profis sind also natürlich flexibler. Dann die regelbasierten Ansätze, sie können sich an verschiedene Sprachen und auch an verschiedene Arten von Textvariationen anpassen verschiedene Sprachen und auch an verschiedene . Die Nachteile sind jedoch, dass sie immer noch mit tiefem Verständnis zu kämpfen haben. Es kann zum Beispiel nicht verstehen, ob die Eingabe sarkastisch oder lustig ist Es kann Emotionen nicht verstehen, oder? Und dann erfordert es große Datensätze für die Genauigkeit. Sie werden in Ihren E-Mail-Spam-Filtern und auch bei der schlüsselwortbasierten Textklassifizierung Sie haben also über die traditionellen Lernmethoden gesprochen, aber was ist mit der maschinellen Lernverarbeitung Grundlage natürlicher Sprachverarbeitung? Sie verbessern also NLP, indem sie Muster aus Daten lernen , anstatt sich auf Regeln zu verlassen. Es gibt drei davon. Sie haben die traditionellen Modelle des maschinellen Lernens, Deep Learning für NLP und auch die transformationsbasierten NLP-Modelle, was heute natürlich der moderne Standard ist Schauen wir sie uns nacheinander an. Da sind zunächst die traditionellen Modelle des maschinellen Lernens. Wir verfügen über eine Navigationsdatenbank , die Text anhand von Wahrscheinlichkeiten klassifiziert , sodass festgestellt werden kann, ob es sich bei der E-Mail um Spam handelt oder nicht Dann haben wir die Support-Vector-Maschinen, Ihre SVM. Sie identifizieren Textmuster für die Klassifizierung und auch Entscheidungsbäume Wir haben vorhin über Entscheidungsbäume gesprochen. Sie verwenden eine Verzweigungslogik, um Text zu klassifizieren. Ihre herkömmlichen Modelle für maschinelles Lernen , dass sie genauer sind Als die regelbasierten Methoden. Sie eignen sich auch sehr gut für Klassifikationsaufgaben. Die Nachteile sind jedoch, dass sie Feature-Engineering erfordern. Denken Sie daran, dass wir über Funktionen gesprochen haben die die wichtigsten Bestandteile jeder Art von Daten sind. Da es also Feature-Engineering erfordert, wäre dies die manuelle Auswahl der Textattribute, und dann können langfristige Sprachabhängigkeiten nicht verarbeitet werden. Aus diesem Grund wird es in Ihrer Stimmungsanalyse, Ihrer Textklassifizierung und natürlich in sehr einfachen Chat-Bots verwendet Ihrer Textklassifizierung und natürlich sehr einfachen Chat-Bots Was ist mit dem Deep Learning-NLP? Nun, das hat NLP im Grunde revolutioniert, indem natürlich die neuronalen Netzwerke nutzte, um Sprache auf natürlichere Weise zu verarbeiten Es gibt zwei davon. Es gibt natürlich die RNNs, die rekurrenten neuronalen Netzwerke und die langfristigen Kurzzeitgedächtnisnetzwerke, Ihre Fangen Sie also mit dem rekurrenten neuronalen Netzwerk an . Sie sind für sequentielle Daten wie in Sätzen konzipiert , oder Und dann können sie sich bei der Textverarbeitung an die vorherigen Wörter erinnern bei der Textverarbeitung an die vorherigen Wörter Sie verwenden sie also für Ihre Spracherkennung, Ihre Textvorhersage und vieles mehr. Die Vorteile von Ihnen sind, dass sie den Kontext und auch die Reihenfolge in Sätzen erfassen können Kontext und auch die Reihenfolge in Sätzen erfassen , weil sie sich an die vorherigen Wörter erinnern. Und dann können sie auch menschenähnliche Reaktionen hervorrufen, was eigentlich ziemlich faszinierend ist. Leider haben sie jedoch einige Nachteile. Sie haben mit langen Strafen zu kämpfen, oder? Sie vergessen manchmal die früheren Worte. Sie haben zwar ein Kurzzeitgedächtnis, aber je länger der Satz wird, desto schwieriger wird es für sie sein, sich die ersten Wörter dieses Satzes zu merken . Und dann sind sie langsamer zu trainieren als die einfacheren Modelle. Sie werden also natürlich in Ihrer Text-zu-Text-Sprache, in Texterkennung und vielem mehr Aber was ist mit den Netzwerken für das Kurzzeitgedächtnis? Sie sind im Grunde eine verbesserte Version des R und enden, weil sie sich viel längere Sätze merken können. Sie werden also für Textanalysen und Konversationen in Langform verwendet . Sie könnten beispielsweise verwendet werden, um lange Artikel zusammenzufassen und gleichzeitig die Bedeutung oder die Kernpunkte dieses Artikels beizubehalten Die Profis können also viel besser mit großen Sätzen umgehen. Sie eignen sich gut für Chat-Boards und Textzusammenfassungen. Die Nachteile sind jedoch, dass sie, obwohl sie über ein Langzeitgedächtnis verfügen, immer noch Probleme mit sehr langen Dokumenten Jetzt sprechen Sie also von Dokumenten, die etwa fünf Seiten, sechs Seiten usw. lang sind. Und dann ist es auch sehr teuer zu trainieren. Sie werden in Chatbots, maschinellen Übersetzungen und natürlich bei der Textzusammenfassung Aber was ist mit den transformatorbasierten NLP-Modellen, dem modernen Standard Sie haben NLP auch revolutioniert, indem sie ganze Sätze auf einmal verarbeiteten ganze Sätze auf einmal anstatt sie Wort für Wort zu verarbeiten So viel effizienter, oder? Also Modelle wie Ihr BRT, Ihr GPT verwenden Selbstaufmerksamkeitsmechanismen, verwenden Selbstaufmerksamkeitsmechanismen um Wörter im Kontext zu analysieren, und dann sind sie auch in der Lage, sehr, sehr wichtig, die Beziehung zwischen Wörtern in langen Sätzen zu lernen Wörtern in langen Sie sind also in der Lage, den Kontext hinter einem Satz zu verstehen. Zum Beispiel, wenn sich der Eingang der Bank auf der linken Seite des Flusses befindet. Wenn das Wort Bank gehört oder verwendet wird, könnten Sie natürlich versucht sein zu denken: Okay, wir sprechen über den Ort, an dem die Leute Geld aufbewahren, oder? Aber weil wir von der Bank auf der linken Seite des Webers sprechen , weiß das Modell hier, dass, Oh, du meinst das Flussufer Aber wenn ich sagen würde, dass ich morgen Geld von der Bank abheben muss , dann weiß das Model, okay, du sprichst vom eigentlichen Finanzgebäude, weil du Worte wie Geld abheben gesagt hast Okay, du sprichst offensichtlich von der eigentlichen Bankbank, oder? Also die Pose, sie können den Kontext sehr gut verstehen. Sie können menschenähnlichen Text erzeugen. Sie eignen sich sehr gut für komplexe NLP-Aufgaben. Leider haben sie, genau wie alles andere, auch ihre Nachteile Sie benötigen riesige Datensätze, um sie zu trainieren, und natürlich können sie auch zu voreingenommenen oder falschen Sie werden natürlich in ChagPT, der BRT-Suchmaschine von Google, der Air-Textgenerierung Ich habe hier also eine Tabelle, in der die verschiedenen NLP-Ansätze, die Vor- und Nachteile und die Beispiele verglichen werden. Ich werde Ihnen diese Folie zur Verfügung stellen, damit Sie sie in Ihrer Freizeit studieren können Bevor ich jedoch einige wichtige Erkenntnisse zusammenfasse, begann NLP natürlich mit regelbasierten Methoden, hat sich aber zu Deep-Learning-Modellen entwickelt Statistisches NLP führte die wahrscheinlichkeitsbasierte Textanalyse, maschinelles Lernen, Ihr NLP, verbesserte Textklassifizierung und Stimmungsanalyse ein und dann natürlich die Deep Learning-NLPs, die komplexere Aufgaben wie Spracherkennung und Textanalyse ermöglichten führte die wahrscheinlichkeitsbasierte Textanalyse, maschinelles Lernen, Ihr NLP, verbesserte Textklassifizierung und Stimmungsanalyse ein und dann natürlich die Deep Learning-NLPs, die komplexere Aufgaben wie Spracherkennung und Textanalyse ermöglichten. Und schließlich natürlich der moderne Standard von heute, die Transformers Sie sind heute die fortschrittlichsten NLP-Modelle in der Flugunterstützung und im Chatbd eingesetzt werden Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 30. Large Language Models (LLMs) und Transformatoren: Kommen wir zurück, werfen wir nun einen Blick auf die großen Sprachmodelle und Transformatoren sind natürlich Das sind natürlich die modernen Standards für KI-Modelle Was genau sind also die LLMs, die großen Sprachmodelle Nun, im Grunde handelt es sich um KI-Modelle, die auf riesigen Mengen von Textdaten trainiert werden riesigen Mengen von Textdaten , um unsere menschliche Sprache zu verstehen und zu generieren Heute verwenden sie Deep-Learning-Techniken, insbesondere Transformatoren, um Text effizient zu verarbeiten. Beispiele: Sie haben sie in Ihrem GBT, dem es sich natürlich um den generativen vortrainierten Transformator handelt Das ist es, was im GPT AI-Modell von Hat verwendet wird. Sie haben sie in Ihrem BRT, Ihrem T Five, Sie haben sie in Ihrer Handfläche, Ihrer Mistrial Cloud Nun, was sind die Hauptmerkmale der LLMs? Nun, zuallererst können sie tatsächlich menschenähnliche Texte generieren Sie sind auch in der Lage, den Kontext und die Bedeutung von Gesprächen zu verstehen . diesem Grund werden sie in der Regel für die Zusammenfassung von Texten, die Übersetzung, die Beantwortung von Fragen usw. verwendet Übersetzung, die Beantwortung von Fragen usw. Jetzt möchte ich über die Transformator-Architektur sprechen, weil sie im Grunde das Herzstück unserer LLMs ist Deep-Learning-Modelle sind also, wie wir wissen, die modernen Standards Sie haben die älteren Architekturen für die Verarbeitung natürlicher Sprache wie Ihre rekurrenten neuronalen Netzwerke ersetzt Architekturen für die Verarbeitung natürlicher Sprache wie Ihre rekurrenten neuronalen Netzwerke Und sie verwenden einen Mechanismus namens Selbstaufmerksamkeit, um Text zu verarbeiten Anstatt Wörter wie R und Ns nacheinander zu lesen, sind sie also in der Lage, sie zu transformieren. Sie sind in der Lage, alle Wörter gleichzeitig zu analysieren und gleichzeitig die Beziehungen zwischen diesen Wörtern zu verstehen. Die Schlüsselkomponenten eines Transformators sind also zuallererst der Selbstaufmerksamkeitsmechanismus. Sie können die Beziehungen zwischen Wörtern in einer Sequenz verstehen. Und dann verwenden sie etwas das als Positionskodierung bezeichnet wird Dies hilft ihnen, die Reihenfolge der Wörter im Auge zu behalten. Das ist auch die Aufmerksamkeit mehrerer Köpfe Dadurch können sich die Transformatoren gleichzeitig auf verschiedene Aspekte des Textes konzentrieren verschiedene Aspekte des Textes . Und dann leiten sie auch neue Netzwerke weiter, sie verarbeiten Worteinbettungen für die Ausgabe Warum sind Transformatoren also besser als die älteren Modelle? Ich habe hier einen Tisch. Funktionen, über die ich gesprochen habe, behandeln lange Texte. Transformatoren sind in der Lage, Wörter parallel zu verarbeiten. Sie verstehen auch den Kontext, nicht nur auf oberflächlicher, zwar nicht nur auf oberflächlicher, sondern auch tiefgründiger, sie können Kontext viel detaillierter verstehen Und dann sind sie natürlich auch schneller trainiert als Ihre älteren Modelle. Also, wie genau werden die LLMs trainiert? Nun, wie bei den meisten KI-Modellen müssen Sie zunächst ein Vortraining absolvieren, bei dem das Modell die Sprachmuster aus riesigen Datensätzen lernt Sie lieferten also viele Daten, und diese Daten konnten aus dem Internet, aus Büchern, Artikeln, Websites, was auch immer, abgerufen werden Und dann kommt die Phase der Feinabstimmung. Hier wird das Modell an bestimmte Aufgaben angepasst. Vielleicht trainieren Sie ein KI-Modell für das Gesundheitswesen. Die Sprache wird verfeinert , sodass das Modell ein bisschen mehr über Begriffe im Gesundheitswesen lernen kann . Vielleicht trainierst du ein Chatboard für Rechtsfragen und so weiter. Im Grunde genommen wird das AM-Modell also genau auf die jeweilige Aufgabe abgestimmt sein , für die es bestimmt ist. Und dann kommt die Phase der Folgerung. Hier wird also das Modell, das bereits trainiert wurde , verwendet, um Text zu generieren, Sprachen zu übersetzen und dann auch Fragen zu beantworten Dies ist im Grunde die Bereitstellungsphase. Zum Beispiel Ihre JBT-Modelle Sie werden anhand von Daten zu Internetkenntnissen vorab trainiert und dann auch noch fein abgestimmt , um Antworten zu liefern , die denen eines Menschen ähneln Beispiele für reale Anwendungen, wiederum in Ihrer Konversations-KI, wie ein Hut, GPT, Deepsk, Ihre Chat-Boards, sie verwenden Suchmaschinen, sie verwenden sie für die Textzusammenfassung und die Erstellung von Inhalten und dann natürlich für die Sprachübersetzung und auch für den Codegenerierungs Erstellung von Inhalten und dann natürlich für die Sprachübersetzung und auch - und Programmierassistenten Dies sind nur Beispiele für Leseanwendungen unserer Transformatoren . Wie bei jedem anderen KI-Modell , das es gibt, wir also vor bestimmten ethischen Herausforderungen. Auch hier die Voreingenommenheit der KI-Modelle. Halluzination und natürlich Fehlinformationen sind für die KI-Modelle sehr, sehr wahrscheinlich, egal wie komplex sie sind, egal wie intelligent sie sind, sie können immer Und natürlich das Thema Datenschutz. Ich habe schon einmal darüber gesprochen. Immer wenn riesige Datenmengen benötigt werden, um ein KI-Modell zu trainieren, besteht immer die Befürchtung, dass die verwendeten Daten denen von Benutzern oder Kunden gehören könnten , was zu Datenschutzbedenken führen könnte. Und natürlich auch die Umweltbelastung. Vergessen Sie natürlich nicht, dass Trainingsmodelle wie dieses eine sehr hohe Rechenleistung erfordern Welche Auswirkungen hätte das also auf die Umwelt? Aber was ist mit der Zukunft? Worauf können wir uns in Zukunft für die LLMs Nun, zuallererst können wir immer davon ausgehen, kleinere Modelle effizienter dass kleinere Modelle effizienter sind und weniger Rechenleistung benötigen Außerdem bessere multimodale KI, also was die Verarbeitung von Text, Videos und Bildern angeht , sie wird besser werden Und dann KI mit stärkeren ethischen Sicherheitsvorkehrungen, wir hoffen, Frömmigkeit und Fehlinformationen zu verhindern. Und dann werden LLMs natürlich in alltägliche Tools wie Transport, Kommunikation, Gesundheitswesen usw. integriert Kommunikation, Gesundheitswesen usw. Bevor ich die Lektion zusammenfasse, ein paar wichtige Erkenntnisse: LLMs sind leistungsstarke KI-Modelle, LLMs sind leistungsstarke KI-Modelle die auch Text verstehen und generieren können Sie aktivieren die Transformatoren. Sie ermöglichen es den LLMs, Texte effizient zu verarbeiten und auch den Kontext hinter dem Text auf einer viel tieferen Ebene zu verstehen hinter dem Text auf einer viel tieferen Ebene LLMs Sie verwenden Ihre Chat-Boards, Suchmaschinen und Herausforderungen gehören natürlich Vorurteile, Fehlinformationen und Halluzination, und dann wird sich die Zukunft der LLMs auf Effizienz, multimodale KI und natürlich ethische Verbesserungen konzentrieren multimodale KI Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 31. Spracherkennung und KI im Konversationsverlauf: Kommen Sie zurück. Lassen Sie uns nun einen Blick auf Spracherkennungs- und Konversations-KI-Modelle Natürlich sind dies Modelle, die NLP in sehr hohem Maße verwenden NLP in sehr hohem Maße Was genau ist Spracherkennung? Sie wird auch automatische Spracherkennung genannt und ist im Grunde genommen der Prozess, bei dem gesprochener Text oder gesprochene Sprache eher in Text umgewandelt wird. Dadurch können Ihre Diktiersoftware und Ihre Sprachassistenten verstehen, was Sie ihnen eigentlich sagen Nun, zum Beispiel Ihre Sprachassistenten, Alexa, Siri Automated oder Call Center Wenn Sie also ein Unternehmen anrufen und das Gerät Ihren Anruf entgegennimmt und etwas sagt, ist das Spracherkennung in Aktion Und dann sehen Sie auch in Ihren Untertiteln, wann immer Sie sich Videos auf YouTube oder Netflix ansehen, die Untertitel Das ist im Grunde Spracherkennung in Aktion. Aber wie genau funktioniert es? Es besteht aus fünf Hauptphasen, und die allererste Phase wäre die Eingabe, die Erfassung der Eingabe. Der Benutzer müsste also entweder etwas über das Mikrofon sagen etwas über das Mikrofon eine Art von Eingaben , die erfasst werden sollen. Als nächstes folgt die Merkmalsextraktion. Also hier wird das System versuchen, die Sprache in ein Spektrogramm umzuwandeln Ein Spektrogramm ist im Grunde eine visuelle Darstellung dessen die Sprache aussieht oder wie der Ton aussieht Danach haben wir jetzt das akustische Modell, bei dem das Modell versucht, die Klänge den Phonemen zuzuordnen Phoneme sind die kleinste Spracheinheit. Auf der Grundlage dessen, was versucht und zugeordnet werden konnte, wird es dann versuchen, eine Vorhersage darüber zu treffen Wörter oder Sätze am wahrscheinlichsten gesprochen werden Und dann wird es schließlich den endgültigen transkribierten Text erzeugen , der generiert wird So funktioniert es also im Grunde . Es gibt jedoch gewisse Herausforderungen mit der Spracherkennung verbunden sind, natürlich mit Akzenten und Dialekten Ein System ist vielleicht besser in der Lage, einen amerikanischen oder einen britischen Akzent zu verstehen als, sagen wir, einen sehr starken indischen Akzent oder einen sehr starken russischen Akzent, das ist ein Beispiel, oder? Und dann natürlich die Hintergrundgeräusche. Wenn während der Audioaufnahme viele Geräusche im Hintergrund zu hören sind, kann dies die Leistung des Systems beeinträchtigen. Und dann natürlich Homophone, okay? Homophone sind im Grunde Wörter, die gleich klingen, aber tatsächlich unterschiedliche Bedeutungen haben, wie zum Beispiel Du schreibst also das Verb , um etwas zu schreiben, und dann schreibst du, was das Gegenteil von links ist Wenn Sie das im System sagen, kann es sehr schwierig sein, zwischen beiden Wörtern zu unterscheiden , weil sie genau gleich klingen. Aber was ist mit Konversations-KI? Das fühlt sich an wie das nächste Level, oder? Das ermöglicht Computern also eine Interaktion wie bei Menschen. Es unterstützt also Ihre virtuelle Assistenz, Ihre Chat-Boards und natürlich die Automatisierung des Kundensupports Arten von Konversations-KI, wir haben regelbasierte Chatboards Denken Sie daran, wir haben bereits darüber gesprochen. Dies sind im Grunde vorprogrammierte Antworten auf ganz bestimmte Arten von Fragen Diese Art von KI-Modellen , die funktionieren können, aber in sehr begrenzten Umgebungen, und dann KI-gestützte Chat-Boards Diese haben aus Benutzereingaben gelernt und verbessern sich im Laufe der Zeit. Wir haben Ihre Sprachassistenten , die gesprochene Befehle verstehen und auch darauf reagieren können . Also Beispiele für Ihre Konversations-KI, Ihr Chat-GPT, Ihr Google Duplex und natürlich Alexa und Si. Wie funktioniert es? Ähnlich wie bei der Spracherkennung muss zunächst eine Art von Eingabe bereitgestellt werden, damit der Benutzer sprechen oder eine Anfrage eingeben kann. Als nächstes folgt die Anwendung des Verständnisses natürlicher Sprache , bei der das KI-Modell versucht, die Bedeutung aus der Eingabe zu extrahieren. Und dann wird es auf der Grundlage dessen, was extrahiert werden konnte , versuchen, die Eingabe bestmöglich zu beantworten. Das nennt man Dialogmanagement. Und dann generiert die KI jetzt eine Reaktion, typischerweise natürlich eine Reaktion wie beim Menschen. Und dann, in der letzten Phase, wird die Antwort per Sprache oder Text übermittelt. Das ist im Grunde die Sprachtextausgabe. Wir haben natürlich Schwierigkeiten, Kontext zu verstehen. KI kann komplexe oder mehrdeutige Abfragen falsch interpretieren Das ist immer noch ein kleines Problem. Und dann natürlich die Voreingenommenheit bei KI-Antworten und dann auch der Umgang mit Dialogen in mehreren Runden. Gespräche mit mehreren Themen können die KI also verwirren. Du kannst das tatsächlich versuchen. Sie können versuchen, sich mit einem Jibty oder vielleicht sogar Dipsk zu beschäftigen. Beginnen Sie das Gespräch, sagen wir, über Technologie und stellen Sie dann eine Frage Thema Sport, wechseln Irgendwann auf der ganzen Linie ist es also sehr, sehr wahrscheinlich, dass das Model Tha Chibit in diesem Fall, gerade jetzt, verwirrt wird und anfängt, seine Reaktionen zu halluzinieren Was sind also die Lösungen für diese Herausforderungen sowohl für die Spracherkennung als auch für die Konversations-KI Wir können KI anhand verschiedener Datensätze trainieren , um das Sprachverständnis zu verbessern, und wir können Modelle finden, um auch mit verschiedenen Aspekten und Sprachvariationen umzugehen verschiedenen Aspekten und Sprachvariationen Und bei Verwendung hybrider Modelle wären Hybridmodelle natürlich eine Regelbasis und künstliche Intelligenz für bessere Antworten Was ist also die Zukunft? Für Spracherkennungs- und Konversations-KI-Modelle. Nun, natürlichere Konversationen. Es wird sich noch natürlicher anfühlen , wenn Sie mit diesen Models chatten. Und dann multimodale KI, die Sprache, Text und Bilder gleichzeitig kombiniert , um die Interaktionen zu verbessern Und dann natürlich ein personalisierter KI-Assistent. Also KI, die sich an individuelle Sprachmuster und auch Vorlieben anpasst . Das haben wir noch nicht, aber es kommt bald. Und dann natürlich KI-Übersetzung in Echtzeit, bei der beispielsweise Übersetzungen von Sprache in Sprache in mehrere Sprachen erfolgen können. Einige wichtige Erkenntnisse: Die Spracherkennung wandelt gesprochene Wörter mithilfe von KI-Modellen in Text um Spracherkennung wandelt gesprochene Wörter mithilfe von KI-Modellen in Text Konversations-KI ermöglicht Interaktionen wie Menschen über Chatboards und Sprachassistenz Herausforderungen gehören dann natürlich Akzente, Dialekte, Lärm, Vorurteile usw., Homophone und dann auch zukünftige Fortschritte, Künftige Fortschritte werden also die Personalisierung, die Übersetzung in Echtzeit und natürlich die multimodale KI verbessern Übersetzung in Echtzeit und natürlich die multimodale KI Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 32. Abschnittsvorschau Die Zukunft der künstlichen Intelligenz: Willkommen zum letzten Modul, der Zukunft der künstlichen Intelligenz. Und natürlich werde ich Ihnen einen letzten Clip aus einem Film vorspielen , um Ihnen dieses Modul vorzustellen Lehnen Sie sich also zurück für Lex, genießen Sie den Clip und wir sehen uns am Ende. Geht es allen gut? Jede Menge Sklaven aus meiner Roboterkolonie. Geben Sie ihnen eine humorvolle Atmosphäre , damit wir besser zu dieser Einheit passen. Glaubt, es entspannt uns. Ein riesiger, sarkastischer Roboter. Was für eine großartige Idee Ich habe eine Menge, die ich gebrauchen kann, wenn ich scherze, wenn du willst. Das würde wahrscheinlich helfen Ja, du kannst damit deinen Weg zurück ins Schiff finden , nachdem ich dich aus der Luftschleuse geblasen habe Was ist dein Humor-Setting, Tars? Das sind 100%. Lass uns bitte alles auf 75 reduzieren. Hallo, Tars? Was ist dein Ehrlichkeitsparameter 90%. 90%. Absolute Ehrlichkeit ist nicht immer die diplomatischste oder sicherste Form der Kommunikation mit emotionalen Wesen. Okay. Nun, komm zurück. Dieser Clip stammt also aus dem Film in Testla, der im Jahr 2014 vom legendären Regisseur Christopher Nolan veröffentlicht vom legendären Regisseur Christopher Nolan Um fair zu sein, es gibt so viele andere Clips, die ich hätte wählen können, um dieses letzte Modul vorzustellen Ich habe mich jedoch für diesen speziellen Clip entschieden weil ich ihn sehr faszinierend fand und auch die Zukunft der künstlichen Intelligenz eindrucksvoll demonstrierte . In dem Clip haben wir jetzt das KI-Modell TAS, das den Astronauten hilft, ihren Weltraum zu starten ihr Raumschiff ins Und während sie starten, fängt das Tar Air-Modell an, einige Witze zu machen Also fragt Cooper, der Hauptastronaut, Taz. Er sagt: Was sind deine Humoreinstellungen und Taz antwortet. Oh, es ist bei 100%. Und Kuper mag das natürlich nicht und er sagt: Okay, lass uns das auf 75% reduzieren Und später im Clip fragt Kooper Taz: Was ist dein Und Tas antwortet , dass es bei 90% liegt. Und Cooper fragt natürlich 90%. Das heißt, warum sind es nicht 100%? Also, Tarz, das KI-Modell ist sehr, sehr intelligent. Es weiß, dass Kuper fragt, warum es bei 90% liegt? Warum nicht bei 100%? Und Tarz erwidert ziemlich humorvoll: Oh, absolute Ehrlichkeit ist nicht die diplomatischste oder sicherste Art, mit emotionalen Wesen zu kommunizieren Und ich fand das wirklich, wirklich lustig, weil es wahr ist. Denk darüber nach, okay? Es gibt so viele Situationen im täglichen Leben, in denen Sie vielleicht etwas sagen möchten , Sie möchten vielleicht jemandem sagen , wie Sie sich wirklich innerlich fühlen, aber weil Sie befürchten, dass sie sich aufregen könnten, sie sich über das, was Sie sagen, beleidigt fühlen könnten , obwohl es wahr ist, entscheiden Sie dann: Okay, ich gehe auf Nummer sicher und bin es nicht unkompliziert und sei nicht so unverblümt in dem, was ich sage Ich fand es einfach sehr, sehr faszinierend, dass das KI-Modell Taz weiß, dass 100% Ehrlichkeit wahrscheinlich nicht die beste Art ist, mit Menschen zu kommunizieren Eine weitere Sache, die wir in diesem speziellen Clip beobachtet haben , ist die Möglichkeit, unsere KI-Modelle zu personalisieren Hier kann Cooper sowohl die Einstellungen für Humor als auch für Ehrlichkeit für Sterne anpassen sowohl die Einstellungen für Humor als auch für Ehrlichkeit für Sterne Und das wird in Zukunft mit unseren KI-Modellen irgendwann passieren in Zukunft mit unseren KI-Modellen Wir werden sie personalisieren können. Sie klingen vielleicht wie Pferde, sprechen mit unseren Akzenten und so weiter Das ist also etwas, das irgendwann kommen wird. Persönliche Anpassung von KI-Modellen. Ich hoffe, Ihnen hat dieses Einführungsvideo zu unserem letzten Modul, Die Zukunft der KI, gefallen dieses Einführungsvideo zu unserem letzten Modul, . Lassen Sie uns nun mit den restlichen Lektionen beginnen. 33. Aktuelle Trends in der KI-Entwicklung: Willkommen zurück. Beginnen wir also mit einem neuen Modul, indem wir über die aktuellen Trends in der KI-Entwicklung sprechen. Und wenn Sie sich umschauen, unabhängig davon, um welche Branche oder welchen Bereich es sich handelt, ist künstliche Intelligenz bereits in gewissem Maße präsent . Aber lassen Sie uns zunächst über KI in der Automatisierung und der Transformation der Belegschaft sprechen . Wir beobachten bereits den zunehmenden Einsatz von KI-gestützter Automatisierung in Branchen wie Fertigung, Logistik, Einzelhandel usw. Und natürlich die Zunahme dessen, was wir robotergestützte Prozessautomatisierung bezeichnen, der RPA zur Bewältigung sich wiederholender Aufgaben Das findet man in Unternehmen, in Unternehmen. Sie verwenden dies für Chatboards, Kundenbetreuung und vieles mehr Und natürlich ein KI-gestützter Kundenservice-Chatbot und ein virtueller Assistent, Ihr Google-Seri und Ihr Google-Seri Und dann die Umstellung auf die Zusammenarbeit zwischen Menschen und KI. Aber was ist mit KI in der Kreativwirtschaft? Jetzt haben Sie also KI-Modelle wie Dali, M Jony, die in der Lage sind, realistisch aussehende Bilder zu erzeugen Sie haben KI-Modelle wie Sra von Open AI, derselben Firma, die ein Ha-JBT entwickelt hat, die Text in Videos umwandeln können Und dann generierte KI Musik und das Klonen von Stimmen. Die haben wir auch. Und natürlich haben wir einige ethische Bedenken in Bezug auf KI und Kreativwirtschaft, insbesondere wenn es um das Thema Deep FAC geht Wir hatten bereits mehrere Vorfälle bei denen mehrere Kriminelle Deep Fake nutzen konnten , um ihre Opfer auszutricksen Und natürlich haben wir KI in unserem täglichen Leben und in der Personalisierung Sie verwenden KI beispielsweise für Netflix, YouTube, Spotify, Disney Plus usw. und natürlich KI im E-Commerce unter Verwendung von Chatbots Und natürlich die Personalisierung unserer Einkaufserlebnisse und natürlich Sprachassistenten und intelligente Geräte wie Ihre Google-Serie, Amazons Alexa usw. Und natürlich KI in sozialen Medien. Wir verwenden KI jetzt auch, um Inhalte zu generieren. Und natürlich KI im Gesundheitswesen und in der Biotechnologie. Das ist wirklich sehr, sehr faszinierend weil wir jetzt KI-gestützte Diagnosen haben, bei denen KI verwendet werden kann, um Krankheiten anhand von Röntgenstrahlen, MRTs usw. zu erkennen Krankheiten anhand von Röntgenstrahlen, MRTs usw. Und dann wird KI auch in der Wirkstoffforschung eingesetzt, wo KI eingesetzt wurde, um unsere Forschungszwecke zu beschleunigen , und Pharmazeutika wie Dip Minds Alpha Fold, das in der Lage ist, Proteinstrukturen vorherzusagen Ich werde nicht so tun, als wüsste ich, was das genau ist, aber wir haben KI-gestützte Operationen KI ist heutzutage so weit fortgeschritten, dass sie in der Chirurgie mit wenig bis gar keinem menschlichen Eingreifen helfen kann , und natürlich mit prädiktiver Analytik in der Wir verwenden KI jetzt, um Krankheitsausbrüche und Gesundheitstrends für Patienten vorherzusagen Krankheitsausbrüche und Gesundheitstrends für Patienten Und natürlich wird dieser Kurs nicht vollständig sein, ohne über den Einsatz von KI im Finanzwesen und natürlich über Cybersicherheit zu sprechen Finanzwesen und natürlich über Cybersicherheit Wir haben also KI im algorithmischen Handel eingesetzt , wo KI-gesteuerte Finanzstrategien entwickelt wurden , die Markttrends in Echtzeit analysieren entwickelt wurden , die Markttrends in Echtzeit Und natürlich können wir aus Gründen der Cybersicherheit KI zur Betrugserkennung einsetzen Und KI ist Teil der Cybersicherheit wo KI zur Erkennung von Bedrohungen, automatisierten Reaktionen sowie zur Bewertung von Sicherheitslücken eingesetzt werden kann. Was ist die Zukunft der KI-Integration Drei Hauptpunkte der Edge-KI, bei der KI nun direkt auf Mobilgeräten ausgeführt wird , anstatt sich auf Cloud-Computing zu verlassen. Und dann wurde IOT, das Internet der Dinge, von KI unterstützt. Also werden wir jetzt KI verwenden, um unsere intelligenten Häuser, intelligenten Städte, intelligenten Netzwerke usw. mit Strom zu versorgen. Und natürlich die Demokratisierung der KI, bei der KI für diejenigen zugänglicher wird , die keinen technischen Hintergrund haben Hier gibt es also einige wichtige Erkenntnisse. Wie Sie wissen, verändert KI verschiedene Branchen, vom Gesundheitswesen über das Finanzwesen bis hin zu Hollywood Und natürlich verändert die Kombination aus KI und Automatisierung die Belegschaft Aber die Zusammenarbeit zwischen Menschen im Bereich KI wird entscheidend sein. Und schließlich haben wir ethische Überlegungen, Vorschriften und eine verantwortungsvolle KI-Entwicklung, die von entscheidender Bedeutung sein werden, wenn KI immer mehr in unser tägliches Leben integriert wird . Also das ist danke, dass du dir das Video angesehen hast. Wir sehen uns in der nächsten Klasse. 34. Die nächste Grenze – allgemeine KI vs. KI: Willkommen zurück, also jetzt. Schauen wir uns ein sehr faszinierendes Thema an . Und hier vergleichen wir allgemeine KI mit KI im engeren Sinne. Was ist Narrow AI? Nun, wir haben bereits zuvor darüber gesprochen. Dies sind KIs, die sich durch die Ausführung einer bestimmten Funktion auszeichnen . Und dafür haben wir zahlreiche Beispiele. Sie haben die Prüfung von Amazon, Seriennummer von Google und so weiter Und natürlich Empfehlungsalgorithmen wie YouTube, Spotify, Netflix und sogar Ihre KI-Modelle wie Ihr Chi JPT, Claude, Dipsik All dies sind Beispiele für enge KI . Aber wir haben einige Schlüsselmerkmale, zum Beispiel sind sie hochspezialisiert, was bedeutet, dass sie sich bei einer bestimmten Art von Aufgabe auszeichnen können . Und dann sind sie natürlich datengesteuert. Sie benötigen riesige Datenmengen. Ihnen fehlt es auch an Argumentation. Sie sind nicht in der Lage, Konzepte außerhalb ihrer Ausbildung zu verstehen und natürlich keine wirkliche Autonomie, was bedeutet, dass die KI die schwache KI modelliert, sie können Entscheidungen entweder auf der Grundlage von Regeln oder einfach auf erlerntem Verhalten Mit anderen Worten, sie sind sehr, sehr flexibel in der Art und Weise, wie sie ihre Aufgaben erfüllen. Aber die Sache ist, trotz der Tatsache, dass heute, wenn man sich Modelle wie ChagPT und Siri und Deep Seek usw. anschaut , sie alle sehr mächtig und ziemlich kompetent zu sein scheinen , was sie tun, aber sie werden immer noch als schwache KI angesehen Und das liegt daran, dass wir die theoretische und möglicherweise die praktische Möglichkeit einer allgemeinen KI Was ist nun allgemeine KI? Dies bezieht sich auf KI mit kognitiven Fähigkeiten auf menschlichem Niveau, die in der Lage ist , ohne vorherige Schulung in mehreren Bereichen zu verstehen , zu denken und zu lernen , ohne dass sie explizit für eine dieser Aufgaben geschult Mit anderen Worten, wir sprechen von künstlicher Intelligenz, die der menschlichen Intelligenz wirklich entsprechen oder sie vielleicht sogar übertreffen kann wirklich entsprechen oder sie vielleicht sogar menschlichen Intelligenz wirklich entsprechen oder sie vielleicht sogar übertreffen Was könnte AGI also tun? Nun, AGI, Allgemeine KI wir werden in der Lage sein, jedes Thema zu verstehen und zu lernen, genau wie jeder normale Mensch, neue, unbekannte Probleme ohne vorherige Schulung zu lösen Im Grunde wird es also in der Lage sein, selbstständig zu argumentieren und neue Probleme zu lösen, Kreativität sowie gesunden Menschenverstand zu zeigen neue Probleme zu lösen, Kreativität sowie gesunden Menschenverstand und sich dann ohne zusätzliche Programmierung an verschiedene Umgebungen anzupassen ohne zusätzliche Programmierung an verschiedene Umgebungen Es wird sehr anpassungsfähig, sehr flexibel werden und dann Selbstbewusstsein und unabhängiges Denken besitzen Aber das ist immer noch sehr fraglich. Es gibt Leute, die glauben, dass wir irgendwann künstliche Intelligenz bekommen könnten , die so intelligent und mächtig sein wird Ich werde zu eigenständigem Denken und Selbstbewusstsein fähig sein , während viele andere nicht glauben, dass dies jemals möglich sein wird. Was sind also die aktuellen Forschungsanstrengungen von AGI? Wir haben Unternehmen wie Open AI, Deep Mind und auch Anthropic Diese gehören zu den Unternehmen, die auf eine allgemeine KI hinarbeiten KI-Modelle wie GPT Version vier. Obwohl sie extrem mächtig sind und immer allgemeiner werden, sind sie immer noch nicht wirklich allgemeine KI Und jetzt sehen einige Forscher, diejenigen, die sehr optimistisch sind, diejenigen, die glauben, dass wir AGI erreichen werden, den Zeitrahmen auf 10 bis 50 Jahre Nun, wie ich bereits sagte, gibt es Menschen, die nicht glauben, dass wir jemals AGI erreichen Was sind also die Hauptmerkmale von AGI? Nun, zuallererst: Lernen Sie aus Erfahrung, genau wie ein Mensch Wissen zwischen verschiedenen Aufgaben übertragen kann. Nehmen wir zum Beispiel an, Sie haben der allgemeinen KI die erste Aufgabe übertragen, sie erledigt diese Aufgabe. Dann geben Sie ihr Aufgabe zwei. Wenn es einige Ähnlichkeiten zwischen Aufgabe eins und Aufgabe zwei gibt , ist es vielleicht in der Lage, das Wissen, das es bei der Arbeit an Aufgabe eins gewonnen hat, wieder auf Aufgabe zwei zu übertragen , genau wie ein normaler Mensch, und dann Argumentation, Problemlösung Anpassungsfähigkeit an den Tag zu legen und dann potenziell autonom in der Entscheidungsfindung Mit anderen Worten, Sie müssen zu eigenständigem Denken fähig sein. Dies sind die Hauptmerkmale von AGI. Ich habe hier die Tabelle, in der ich Ihnen die wichtigsten Unterschiede zwischen allgemeiner KI und natürlich schwacher KI aufgezeigt habe die wichtigsten Unterschiede zwischen allgemeiner KI und natürlich . Und natürlich übertrifft die allgemeine KI in den meisten dieser Funktionen die allgemeine KI Die einzige Sache ist jedoch, dass wenn es um die gegenwärtige Existenz geht, wir, wenn es um die gegenwärtige Existenz geht, über eine enge KI verfügen Das ist schon sehr dünn, während die allgemeine KI zum jetzigen Zeitpunkt noch theoretisch ist. Was sind also eigentlich die Herausforderungen bei der Erreichung von AGI? Was ist das Problem? Warum sind die Entwickler nicht im Freien und warum haben sie uns noch keine AGI gegeben? Nun, wie Sie sich vorstellen können, wir vor den technischen Herausforderungen. Und wenn Sie der Meinung sind, dass Deep Learning enorme Wettbewerbskraft erfordert, ist das nichts im Vergleich zu der Konkurrenzstärke, die für AGI erforderlich Und dann Dateneffizienz, AGI erfordert natürlich enorme Datenmengen, was immer noch eine Herausforderung darstellt Und dann der gesunde Menschenverstand, KI, wie wir sie heute kennen, hat immer noch Schwierigkeiten abstrakte Konzepte zu verstehen Sie ist nicht in der Lage, zu argumentieren und zu entziffern, was sie sind. Und dann Gedächtnis und Anpassungsfähigkeit. AGI sollte in der Lage sein, die Fähigkeit nachzuweisen, Wissen zu speichern und in verschiedenen Szenarien anzuwenden Mit anderen Worten, die Art von Wissen und Intelligenz, über die AGI verfügen muss, ist extrem schwierig, sie zu erlangen. Wir haben auch die ethischen und sicherheitstechnischen Bedenken von AGI. Was ist, wenn AGI die menschliche Intelligenz tatsächlich übertrifft? Wie kontrollieren wir es, richtig? Das ist immer die große Frage. Und natürlich Voreingenommenheit und Fairness. Um fair zu sein, kein Wortspiel beabsichtigt, dies ist eine große Herausforderung für alle Arten von KI und nicht nur für allgemeine Und dann die Ausrichtung auf KI, wie stellen wir sicher, dass die Ziele der AGI den menschlichen Werten und natürlich dem potenziellen Risiko entsprechen? den menschlichen Werten und natürlich dem potenziellen Risiko entsprechen und natürlich dem potenziellen Was passiert, wenn die Bösewichte, wenn die Cyberkriminellen allgemeine KI in die Finger bekommen Die Folgen könnten katastrophal sein. Und dann natürlich die philosophischen und theoretischen Fragen Kann KI bewusst sein? Richtig? Stell dir das vor. Philosophen diskutieren darüber, ob AGI subjektive Erfahrungen machen könnte Wie verrückt wäre das? Sie sind fast an diesem Punkt angelangt, über künstliche Intelligenz zu sprechen , Emotionen zu haben Ich meine, das ist ziemlich nah dran, oder? Und wird AGI dann Menschen ersetzen? Wird die Menschheit aufhören zu existieren, weil AGI jetzt die Welt regiert? Nun, einige befürchten, dass AGI die Menschen bei allen Aufgaben übertreffen könnte , was zur Verdrängung von Arbeitsplätzen oder noch Schlimmerem führen Verdrängung von Arbeitsplätzen oder noch Schlimmerem Und dann die vielleicht größte Frage von allen, sollten wir AGI tatsächlich entwickeln? Nur weil wir es können, heißt das, dass wir müssen oder sollten? Vielleicht ist es manchmal am besten, einfach zu sagen: Hey, schau, die enge KI, die wir jetzt haben, ist gut genug. Wir können es verbessern. Aber irgendwann müssen wir sagen: Okay, das ist schon viel zu weit fortgeschritten. Das wird viel zu intelligent. Wir müssen einen Schritt zurück machen. Das sind also quasi die sehr interessanten philosophischen Fragen, die gestellt wurden Also der Weg zu AGI, wo stehen wir jetzt im Jahr 2025? Nun, künstliche Intelligenzsysteme werden immer leistungsfähiger, aber es mangelt ihnen immer noch an echtem Verständnis. Nun glauben einige Forscher, dass AGI auch grundlegende Durchbrüche in den Neurowissenschaften, der Kognitionswissenschaft und dem maschinellen Lernen erfordern wird grundlegende Durchbrüche in den Neurowissenschaften, der Kognitionswissenschaft und dem maschinellen Lernen erfordern Kognitionswissenschaft und dem maschinellen Lernen Und andere schlagen auch vor , dass die Verwendung von Gewohnheitsmodellen, also Modellen, die symbolisches Denken mit tiefem Lernen kombinieren, uns der AGI näher bringen könnte Und dann werden die Vorschriften und Richtlinien von AGI immer wichtiger, um die ethische Entwicklung von AGI zu steuern Aber was ist, wenn wir tatsächlich irgendwann AGI erreichen? Was sind die möglichen zukünftigen Auswirkungen? Nun, übermenschliche Intelligenz könnte AGI die menschliche Intelligenz übertreffen und jeden einzelnen Bereich revolutionieren Das ist eine Möglichkeit. Und dann natürlich die Arbeitsmärkte. Die Sache ist, wir müssen nicht einmal so weit gehen wie AGI. Schau dir an, was heute passiert ist. Schwache KI, Chagpt und seine Körper, sie ersetzen bereits so viele Menschen Durch die Einführung einer eng begrenzten KI sind bereits so viele Arbeitsplätze verloren gegangen Einführung einer eng Stellen Sie sich nun vor, was passieren wird, wenn wir jetzt allgemeine KI einführen. Das wird möglicherweise noch mehr Menschen verdrängen. Dadurch werden noch mehr Arbeitsplätze verloren gehen. Und natürlich die ethische KI-Governance. Wie stellen wir sicher , dass AGI nützlich bleibt und nicht zu Ddius wird Es gerät nicht in die falschen Hände. Und jetzt könnte die Zusammenarbeit zwischen Mensch und KI tatsächlich mit Menschen zusammenarbeiten und unsere Fähigkeiten verbessern, anstatt uns zu ersetzen. Ich bin mir ziemlich sicher, dass du Filme wie Terminator und so weiter gesehen hast Terminator und so weiter In diesen Filmen wählt AGI es heißt: Weißt du was? Ich werde nicht mit Menschen spazieren gehen. Menschen bedrohen meine Existenz. Ich werde einfach die gesamte Menschheit vernichten. Das passiert also in den Filmen. Hoffentlich passiert es nicht im wirklichen Leben. Also nur ein paar wichtige Erkenntnisse. Netzwerk-KI ist heute überall. AGI ist zu diesem Zeitpunkt noch theoretisch. AGI, wenn wir AGI tatsächlich erreichen, wird sie in der Lage sein, wird sie in der Lage sein lösen und sich anzupassen, genau wie ein Mensch, und Aga zu erreichen, bringt massive technische, ethische und sicherheitstechnische Bedenken oder Herausforderungen Und dann könnte die Zukunft von AGI die Industrie, Gesellschaft und sogar die Menschheit selbst verändern Also, ob wir AGI erreichen werden, wird nur die Zeit zeigen. Danke, dass du dir das Video angesehen hast. Wir sehen uns in der nächsten Klasse. 35. KI und die Belegschaft – wird KI Jobs ersetzen?: Komm zurück, also lass uns einen Blick auf die nächste Lektion werfen. Und das ist natürlich die Millionen-Dollar-Frage. Wird KI Ihren Job ersetzen? Nun, lass es uns herausfinden. Lassen Sie uns zunächst über die aktuellen Auswirkungen von KI auf die Belegschaft sprechen . Heute wurde KI verwendet, um sich sehr wiederholende und langweilige Aufgaben zu automatisieren KI wurde eingesetzt, um die Effizienz zu verbessern. Und natürlich wurden mit der Einführung von KI neue Arten von Rollen geschaffen, neue Arten von Trägern wurden als Ergebnis der KI geschaffen. Und aufgrund der Einführung von KI werden Arbeitnehmer neue Arten von digitalen Fähigkeiten erlernen müssen , um zu überleben. Denk darüber nach, okay. Stellen Sie sich heute einen Arbeiter , der nicht weiß , wie man das Internet benutzt. Es ist fast unmöglich , durchzukommen, oder? Irgendwann müssen wir also alle einige Grundlagen der KI erlernen , um einsetzbar zu sein Was sind also die Jobs, bei denen KI und Automatisierung am meisten gefährdet sind? Sie haben solche in der Fertigung und Logistik, wo wir jetzt KI-gestützte Roboter haben, die in den Montagelinien arbeiten. Sie haben alle Menschen ersetzt. Sie haben sie im Einzelhandel und im Kundenservice. Wir haben jetzt KI-gestützte Chatbots , die diese Aufgabe problemlos erledigen können Sie haben Regeln für diese Dateneingabe und -verwaltung. Natürlich kann KI jetzt mit Tabellenkalkulationen und, Sie wissen schon, mit der Dokumentenanalyse usw. umgehen Sie wissen schon, mit der Dokumentenanalyse usw. Und dann der Transport und die Lieferung, auch wenn das noch nicht die volle Wirkung entfaltet hat, aber irgendwann werden wir autonome Lkw und selbstfahrende Steuern haben autonome Lkw und selbstfahrende Steuern , die diese Aufgabe erledigen können Aber es geht nicht nur um Schwarzmalerei und KI wird uns alle ersetzen Durch KI werden neue Arten von Rollen geschaffen werden, zum Beispiel Ingenieure für KI und maschinelles Lernen Natürlich werden wir neue Arten von Modellen entwickeln oder bestehende KI-Modelle umschulen und verbessern. Und dann vergessen Datenwissenschaftler und Analysten nicht , dass Daten das Herzblut der Wir werden also auch Datenwissenschaftler brauchen. Und natürlich Cybersicherheitsexperten, die KI einsetzen, um ihre Aufgaben zu erfüllen, und dann KI-Trainer und Ethikspezialisten, die sicherstellen, dass KI-Modelle ethischen Standards entsprechen, und natürlich Spezialisten für die Zusammenarbeit zwischen Mensch und KI, die die Arbeitsabläufe von Menschen in der Industrie verwalten. Dies sind also einige Beispiele für die Arten von Karrieren, die durch KI wachsen werden. Wir haben aber auch einige Karrieren, die durch KI verbessert werden. Bereich Softwareentwicklung werden wir zum Beispiel Programmierer haben, die KI nutzen können, um ihr Programmierniveau zu verbessern, Unterstützung bei der Codierung von KI und so weiter Und dann wird KI in der Lage sein, Ärzte im Gesundheitswesen auch bei der Diagnose, Operation und Patientenversorgung zu unterstützen auch bei der Diagnose, Operation und Patientenversorgung zu Und sogar in den kreativen Bereichen der Kreativbranche, wo KI-Tools Designern, Autoren und Musikern helfen können , neue Ideen zu entwickeln. Und es gibt noch ein paar andere Berufe denen KI sie verbessern kann, auch im Bereich Cybersicherheit, und ich bin selbst auf Cybersicherheit spezialisiert. KI kann zur Erkennung und Abschreckung von Cyberangriffen eingesetzt werden. Letztlich stellt sich derzeit also die Frage, KI menschliche Arbeiter vollständig ersetzen wird . Was denkst du? Meiner bescheidenen Meinung nach glaube ich, dass KI unweigerlich viele Millionen ersetzen wird und Millionen von Arbeitsplätzen durch KI verloren gehen werden. werden zwar neue Rollen und neue Arbeitsplätze geschaffen, durch KI werden auch neue Möglichkeiten geschaffen. Ich weiß nicht, welche wirtschaftlichen Auswirkungen das haben wird, denn nicht jeder dessen Arbeitsplatz durch KI ersetzt wurde , wird in der Lage sein, einen neuen Job zu bekommen. Was passiert also mit ihnen, oder? Ich weiß es nicht. Es ist etwas, worüber man nachdenken sollte, aber wir werden sehen. Wir werden sehen, was passieren wird. Also nur ein paar wichtige Erkenntnisse bevor wir die Lektion zusammenfassen KI automatisiert einige Jobs, schafft aber auch neue Möglichkeiten Ich denke, die Idee hier ist, dass Sie sich einfach so positionieren sollten , dass Sie die Vorteile der Einführung von KI nutzen können, denn ob es Ihnen gefällt oder nicht, KI ist da. Es ist die Gegenwart, und es wird auch die Zukunft sein. sich wiederholende Jobs mit geringer Qualifikation besteht also ein höheres Automatisierungsrisiko KI verbessert Rollen in vielen kreativen und analytischen Bereichen, anstatt sie zu ersetzen Und natürlich erfordert die Anpassung an KI-gestützte Arbeitsplätze Weiterqualifizierung und lebenslanges Lernen Wie ich bereits sagte, werden wir aufgrund der KI alle gezwungen sein, einige Grundlagen der KI zu erlernen Und die Zukunft ist natürlich die Zusammenarbeit zwischen Menschen und KI, nicht die totale Automatisierung. Danke fürs Zuschauen. Wir sehen uns in der nächsten Klasse. 36. KI und Superintelligenz – Hype oder Realität: Nun, komm zurück. Um dieses Modul abzurunden, werfen wir einen Blick auf unsere letzte Lektion. Und hier sprechen wir über KI und Superintelligenz. ehrlich zu sein, war ich mir nicht sicher, ob ich daraus eine Lektion machen sollte , denn zumindest meiner bescheidenen Meinung nach ist es sehr unwahrscheinlich , dass wir das jemals erreichen werden , aber es ist trotzdem ein faszinierendes Thema. Lassen Sie uns also darüber sprechen. Nun, was genau ist Superintelligenz ASI? Nun, das ist im Grunde KI, die uns Menschen in jeder Hinsicht übertreffen wird , einschließlich Kreativität, Argumentation, Entscheidungsfindung und so weiter Im Grunde sprechen wir also von Intelligenz , die unsere Meister werden wird Im Gegensatz zu enger und allgemeiner KI wird sich ASI nun selbst verbessern und autonom arbeiten, wird sich ASI nun selbst verbessern und autonom menschlichen kognitiven Fähigkeiten möglicherweise bei weitem übertrifft. , Wenn wir also irgendwann ASI entwickeln könnte die Superintelligenz selbst bessere Versionen von sich selbst entwickeln und ihre Intelligenz schnell beschleunigen, ihre Intelligenz schnell beschleunigen Mensch sie kontrollieren kann Diese alte Theorie über die Übernahme der Weltherrschaft durch KI wird also zu einer echten Möglichkeit werden, wenn wir Superintelligenz erreichen Ist es also tatsächlich möglich, dass wir jemals diesen Punkt der Superintelligenz in der KI erreichen, wir haben einige Faktoren, die darauf hindeuten , und andere Faktoren, die besagen , nein, wir werden es nicht schaffen Was sind also die Argumente dafür, dass ASI Realität wird? Nun, zuallererst das Wachstum der Rechenleistung. Nun ist es offensichtlich, dass die Stromversorgung superintelligenter Modelle eine enorme Menge an Rechenleistung erfordern wird Angesichts der Tatsache, dass die Rechenleistung exponentiell zunimmt, besteht jedoch Rechenleistung exponentiell zunimmt, kein Zweifel daran , dass wir irgendwann in der Zukunft über genügend Rechenleistung verfügen werden, in der Zukunft über genügend Rechenleistung verfügen werden um solche KI-Modelle Jetzt auch Fortschritte bei neuronalen Netzwerken. Sie haben Deep-Learning-Modelle, die von Tag zu Tag ausgefeilter werden von Tag zu Tag ausgefeilter Sie haben eine selbstlernende KI , bei der wir zum Beispiel bereits KI haben , die sich selbst verbessern kann, die Alpha Zero. Das ist ein KI-Modell, das lernt, wie man Schach spielt, und es hat von selbst gelernt, indem einfach Spiele gegen sich selbst spielt. Also auch Durchbrüche bei AGI. AGI irgendwann zur allgemeinen KI wird, dann wird der nächste Schritt nach der allgemeinen KI die ASI-Superintelligenz sein Einige prominente KI-Forscher wie Nick Bostrom , der auch Autor von Superintelligenz ist, glauben, dass KI irgendwann im 21. Jahrhundert zu einer echten Möglichkeit werden könnte irgendwann im 21. Jahrhundert zu einer echten Möglichkeit Aber wie ich schon sagte, wir haben Argumente für ASI, aber wir haben auch Argumente Zuallererst geht es um die Grenzen der Rechenleistung, menschlicher Intelligenz geht es nicht nur um weltweite Machtbefugnisse Unser Bewusstsein ist immer noch ein ungelöstes Problem. Das ist also immer noch eine große Herausforderung in Bezug auf Entwicklung von ASI und dann den Mangel an echter allgemeiner Intelligenz Bevor wir Superintelligenz erlangen können, müssen wir allgemeine KI entwickeln. Wir haben noch nicht einmal eine allgemeine KI erreicht. Manche Leute sprechen bereits von Superintelligenz. Vielleicht sollten wir also zuerst eine allgemeine KI erreichen , bevor wir anfangen, über Superintelligenz zu sprechen Und dann menschliche Kreativität und Emotionen KI wird es immer an Neugier, Emotionen und der Fähigkeit, die Welt zu erleben, mangeln Emotionen und der Fähigkeit, die Welt zu erleben Das ist dort eines der wichtigsten Argumente gegen Superintelligenz Egal wie intelligent es sein wird, es ist immer noch eine Maschine Es ist immer noch nicht in der Lage, Emotionen zu entwickeln, oder? Und dann ethische und technische Barrieren, oder? Die Welt könnte aufgrund von Sicherheitsrisiken bewusst verhindern, dass ASI entsteht. Es könnte also sein, dass wir uns das technische Fachwissen angeeignet haben. Wir haben die Rechenleistung. Aber auch hier gilt: Nur weil wir Superintelligenz entwickeln können, heißt das nicht unbedingt, dass wir das tun sollten. Vielleicht ist es das, was uns tatsächlich davon abhält, ASI zu erreichen. Einige Skeptiker wie Gary Marcos argumentieren also, dass es der KI an echtem Verständnis mangelt und es unwahrscheinlich ist Superintelligenz erreicht Lass uns weitermachen. Was sind die Risiken und ethischen Bedenken von ASI? Und wie Sie auf dieser Folie sehen können, haben Sie einen sehr gruselig aussehenden Roboter, der Sie anlächelt. Das ist offensichtlich kein angenehmes Lächeln. Es ist ein sehr, du weißt schon, böse aussehendes Lächeln. Das ist natürlich der Terminator. Falls Sie den Film vor Terminator eins und zwei noch nicht gesehen haben, möchte ich Sie dazu ermutigen , ihn sich anzusehen Es ist eine lustige Zeit. Eigentlich ist Terminator Two mein Lieblingsfilm aller Zeiten. Es ist die Nummer eins für mich. Also nur für den Fall, dass du an Action interessiert bist, Scify, schau dir auf jeden Fall die Filme an, aber warum verwende ich dieses spezielle Bild aus dem Terminator Nun, das liegt daran, dass du in dem Film eine Superintelligenz hattest , die entwickelt wurde Das Modell hieß Skynet, und eines Tages entschied Skynet , dass, weißt du was? Ich werde die Menschheit vernichten. Ich werde die Menschheit vernichten, und Skynet hat Krieg gegen einen Also schau es dir auf jeden Fall an. Was sind also die Risiken und ethischen Bedenken von ASI? Zuallererst der Verlust der menschlichen Kontrolle. Es ist möglich, dass die künstliche Intelligenz so mächtig, so intelligent wird, dass wir als Menschen sie nicht mehr kontrollieren können. Und dass das existenzielle Risiko gefährlich sein könnte, wenn Ziele von ASI nicht mit den menschlichen Werten übereinstimmen gefährlich sein könnte Ich könnte sogar katastrophal sein. Also wirtschaftliche Störungen. Bei enger KI verlieren viele Menschen ihren Arbeitsplatz. Wenn allgemeine KI eingeführt wird, werden noch mehr Arbeitsplätze verloren gehen. Aber was passiert jetzt, wenn jetzt die ultimative Superintelligenz eingeführt wird? Millionen und Abermillionen von Arbeitsplätzen werden durch diese neue Art von Technologie überflüssig werden . Und dann, natürlich, die autonome Entscheidungsfindung, könnte eine KI entscheiden, dass Menschen ineffizient oder notwendig sind Genau das ist im Film Terminator passiert. Als Beispiel möchte ich es dir zeigen, nun, ich werde es dir nicht zeigen Du kannst es dir selbst ansehen. Du kannst auf YouTube gehen. Der Kanalname heißt Isaac Author. Ich habe nur ein Experiment namens Paper Clip Maximizer Es war eigentlich ein Experiment, bei dem man sich eine KI vorstellte , die Büroklammern erstellen Aber die KI wurde so fortschrittlich und effizient, dass sie von selbst entschied: Hey, ich werde alle Materie auf der Welt, einschließlich Menschen, in Büroklammern umwandeln . Es ist tatsächlich ein sehr, sehr faszinierendes Video auf YouTube. Ich glaube, es sind etwa 12 bis 15 Minuten. Du kannst es dir auf jeden Fall ansehen. Auch hier lautet der Name des YouTube-Kanals Isaac Ortho. Suchen Sie einfach nach dem Paper Clip Maximizer-Video, wenn Sie es sich ansehen möchten also tun, um uns vor unkontrolliertem ASI zu schützen, Was können wir also tun, um uns vor unkontrolliertem ASI zu schützen, um sicherzustellen , dass ASI, sollte es erreicht werden, unter Kontrolle ist Nun, zuallererst Forschung zur Ausrichtung der KI, um sicherzustellen, dass die KI die menschlichen Werte versteht und respektiert. Das hoffen wir. Und dann die regulatorische Aufsicht. Ehrlich gesagt bin ich jemand, der nicht unbedingt der größte Fan von staatlicher Aufsicht und Aber bei bestimmten Technologien wie KI oder in diesem Fall ASI stimme ich voll und ganz zu, dass gewisse staatliche Aufsicht erforderlich sein wird Und dann natürlich Kill-Switch-Mechanismen, oder? Stellen Sie sich vor, die ASI-Superintelligenz entscheidet das, wissen Sie was? Ich werde die Menschheit ausschalten. Ich werde alle Menschen töten. Wir sollten einige Kill-Switch-Mechanismen einrichten , um diese KI sofort auszuschalten. Und diese Kill-Switches funktionieren besser, oder? Und dann natürlich die ethischen KI-Frameworks. KI-Forschung müssen Sicherheit, Transparenz und natürlich Rechenschaftspflicht an erster Stelle stehen Als Beispiel: offene KI und tiefgründiges Denken. Das sind Unternehmen. Sie forschen aktiv an KI-Sicherheit, um ein unkontrolliertes KI-Wachstum zu verhindern, und hoffen, dass sie erfolgreich sein werden Was sind also die Fortschritte in Richtung ASI? Nun, keine existierende KI hat AGI erreicht, geschweige denn ASI. Also, wie ich schon sagte, es wird sehr lange dauern, bis wir irgendwann zu ASI kommen. Große KI-Modelle wie Ihr GPT, Dip Mine verlassen sich also immer noch auf menschliche Eingaben Auch hier sind wir weit davon entfernt, Superintelligenz zu erreichen, und einige KI-Modelle können sich bei engen Aufgaben selbst verbessern, aber nicht unbedingt auf breitere oder allgemeinere Weise Und über ethische KI nehmen weltweit Diskussionen und Vorschriften Daher beginnen immer mehr Regierungen auf der ganzen Welt, die Auswirkungen von KI zu erkennen und suchen nach Möglichkeiten , den Einsatz von KI weltweit zu regulieren. Prognosen zufolge gehen die meisten Experten davon aus, dass AGI, also KI auf menschlicher Ebene, innerhalb von 50 Jahren entstehen könnte. Aber ASI, die ultimative superintelligente künstliche Intelligenz, ist, wenn überhaupt möglich, noch viel weiter entfernt. Die wichtigsten Erkenntnisse. Nun, ASI bezieht sich auf KI, die die menschliche Intelligenz übertreffen wird Einige Experten glauben natürlich, dass ASI möglich ist , während andere nicht glauben, dass wir es jemals erreichen werden den größten Risiken von ASI gehören der Kontrollverlust, existenzielle Bedrohungen und natürlich die massiven wirtschaftlichen Störungen KI-Sicherheitsmaßnahmen und ethische Vorschriften sind natürlich entscheidend, um unbeabsichtigte Folgen zu verhindern Und derzeit ist ASI, genau wie AGI, immer noch theoretisch, und AGI wurde hier noch nicht einmal erreicht Also, ehrlich gesagt glaube ich nicht, dass wir in unserem Leben jemals das Niveau von ASI erreichen werden. AGI, ich denke, wir werden es irgendwann erreichen, möglicherweise in weiteren 25 Jahren oder aber ich glaube nicht, dass wir es in unserem Leben jemals erreichen werden. Also vielleicht im Jahr 3.000 und so, vielleicht irgendwann die Menschen, dann könnten sie ASI erreichen. Aber das war's für den Unterricht. Danke fürs Zuschauen Wir sehen uns in der nächsten Klasse. 37. Schlussbemerkung zum KI-Kurs: Nun, herzlichen Glückwunsch. Wir sind am Ende dieses Kurses über künstliche Intelligenz angelangt. Und lassen Sie mich von ganzem Herzen ein großes Dankeschön für den Abschluss dieses Kurses aussprechen. Ich hoffe aufrichtig, dass Sie die Lektionen als sehr unterhaltsam, ansprechend, aber vor allem informativ empfanden . Und wenn Sie das Gefühl haben, dass Sie Ihr Geld wert sind, wenn Sie das Gefühl haben, dass Ihnen dieser Kurs gefällt, werden Sie eine Menge lernen. Bitte erwägen Sie , eine schriftliche Bewertung abzugeben. Die Bewertungen werden mir sehr helfen, und sie werden auch wirklich dazu beitragen, diesen Kurs zu verbessern. Also vielen Dank für Ihre Unterstützung. Wenn es das letzte Mal ist, dass ich Sie in einem meiner Kurse sehe, lassen Sie mich nur sagen, viel Glück. Ich hoffe, dass dieser Kurs Ihnen in Ihrem Alltag helfen wird . Ich kann Ihnen auch den Karriereschub geben , nach dem Sie gesucht haben. Und wenn ich Sie in einem anderen meiner Kurse sehe, vielleicht ist es ein Cybersicherheitskurs oder ein Webentwicklungskurs oder vielleicht ein anderer KI-Kurs, werde ich Sie dort sehen Das wird unglaublich sein. Nichtsdestotrotz möchte ich Ihnen noch einmal vielmals dafür danken, diesen Kurs besucht haben, dass Sie den Kurs abgeschlossen haben. Alles Gute und wir sehen uns beim nächsten Mal. Schach.